文档摘要

2.1 数据清洗与缺失值处理 本节摘要：原始时间序列数据几乎必带缺失值、异常值、重复值与格式问题，这些问题会直接污染后续特征工程和检测模型。本节讲清缺失值的三种机制（MCAR/MAR/MNAR）及其对处理策略的影响，对比删除、常数/均值/中位数插补、线性/样条/季节插补、前后向填充、KNN 插补、模型预测插补等方法，最后给出按缺失比例与数据特性选型的方法论，并给出基于 pandas 的完整处理示例。 会员。《2.1 数据清洗与缺失值处理》收录于灏天文库文集《时间序列异常检测技术》，原作者/来源：灏天文库，整理自「灏天文库」，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。本站整理收录，版权归原作者/开源协议所有。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/490-%E6%97%B6%E9%97%B4%E5%BA%8F%E5%88%97%E5%BC%82%E5%B8%B8%E6%A3%80%E6%B5%8B%E6%8A%80%E6%9C%AF

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流