存在许多填充数据空白的可能性。

• 最重复值：用最常见的值填补空白。
• 创建分布：制作直方图并根据该分布删除值。
• 创建一个新标签：由于您没有信息，因此不要假设任何值并创建另一个标签/类别以指示该值为空。
• 创建分类器：在具有空白的变量和其余数据之间建立关系，并创建一个简单的分类器。这样，填充其余数据。

还有许多其他策略，但这些是最常见的策略。我的建议是不要填充和保持未知什么是未知的。

尽管 adesantos 已经给出了很好的答案，但我想补充一点背景信息。

您正在查看的问题的名称是“插补”。正如 adesantos 已经说过的，其中一种可能性是拟合分布。例如，您可以将多元高斯拟合到数据中。您将仅从您知道的样本中获得平均值，并且您仅从您知道的样本中计算协方差。然后，您可以使用标准 MVG 结果对缺失数据进行线性插补。

这可能是最简单的概率插补方法，并且已经相当复杂了。如果你是一个神经网络，最近提出的一种可以做到这一点的方法是 Rezende 等人的深度潜在高斯模型。然而，理解该方法需要大量的神经网络知识，相当多的关于马尔可夫链的变分贝叶斯知识。

另一种我听说效果很好的方法是训练生成随机网络（Bengio 等人）。这是通过对您拥有的数据训练去噪自动编码器来完成的（忽略重建损失中的缺失值）。假设你有一个重建函数 f 和一个输入 x。然后你将通过 x' = f(x) 重建它。然后用你从 x 中知道的值重置 x' 的值。（即你只保留重建之前丢失的值。）如果你这样做了很多次，你可以保证从给定你知道的值的分布中抽样。

但无论哪种情况，这些方法都需要相当多的统计知识和神经网络知识。

我遇到了几乎相同的问题：“恢复”社交网络用户的年龄、性别、位置。但是我使用了用户的自我网络，而不是访问过的网站统计数据。我面临两个几乎独立的任务：

1. “恢复”或“预测”数据。你可以使用一堆不同的技术来完成这个任务，但我的投票是最简单的（KISS，是的）。例如，在我的情况下，对于年龄预测，自我网络用户年龄的平均值给出了令人满意的结果（对于大约 70% 的用户错误小于 +/-3 年，在我的情况下就足够了）。这只是一个想法，但您可以尝试使用年龄预测加权平均值，将权重定义为当前用户和其他人访问的站点集之间的相似性度量。
2. 评估预测质量。来自 task-1 的算法几乎在所有情况下都会产生预测。第二个任务是确定预测是否可靠。例如，在自我网络和年龄预测的情况下：如果用户在他的自我网络中只有一个“朋友”，我们可以相信预测吗？这个任务更多的是关于机器学习：这是一个二元分类问题。您需要使用正确和错误的预测从数据中组合特征集、形成训练和测试样本。创建适当的分类器将帮助您过滤掉不可预测的用户。但是您需要确定您的功能集是什么。我使用了一些网络指标，以及自我网络中兴趣分布特征的汇总统计。

这种方法不会填补所有空白，而只会填补可预测的空白。