识别缺失值是处理缺失数据的方法（）

A.可无条件删除含缺失值的样本

B.可用己有数据的平均值代替缺失值

C.指标太少时最好不用平均值代替缺失值

D.可用随机方法给缺失值赋值

E.直接删除缺失值占比在3%~5%的指标

A.isnull（）判断缺失值

B.dropna（）删除缺失值

C.fillna（）填充缺失值

D.interpolate（）使用中位数填充缺失值

A.interpolate()使用中位数填充缺失值

B.isnull()判断缺失值

C.dropna()删除缺失值

D.fillna()填充缺失值

A.缺失作为属性的一个取值

B.利用模型预测缺失值

C.用最少的属性值填充

D.用最大值填充

A.删除个案

B.删除缺失值

C.插补法

D.格式规范

E.去重复值

A.null 和notnull可以对缺失值进行处理

B.dropna方法既可以删除观测记录，亦可以删除特征

C.fillna方法中用来替换缺失值的值只能是数据框

D.pandas库中的interpolate模块包含了多种插值方法

A.用平均值填充

B.忽略缺失记录

C.以任意数据填充

D.用默认值填充

A.重复数据记录处理

B.噪声数据清除

C.一致性检查

D.缺失值处理

A.缺失值处理

B.噪声数据清除

C.一致性检查

D.重复数据记录处理

A. 将有缺失的个案整个删除

B. 将有缺失的个案保留，仅在计算时删除相应变量的缺失值

C. 使用均值代替、回归估计、随机抽取、最近距离确定等方法代替缺失值

D. 通过对调查中的回答数据使用加权因子，对数据进行调整，减少缺失值的影响