缺失数据插补：什么时候该插，什么时候该留空
Missing Data Imputation: When to Fill, When to Leave
监测数据缺了一段，很多人直接"线性插值"补上。但插补不是填坑——插错方法比留空更危险，因为空值会被看见，插出来的假值不会。
本文涉及的条目16 条 · 自动匹配自标签与标题
先想清楚：为什么会有缺失
缺失数据的性质决定处理方式，先分类：
| 缺失类型 | 特征 | 例子 | 处理 |
|---|---|---|---|
| 完全随机缺失（MCAR） | 缺失与数据值无关 | 采集器偶然死机、存储卡偶发错误 | 可插补 |
| 随机缺失（MAR） | 缺失与可观测变量相关 | 停电时段缺失（与供电相关，可观测） | 可插补（带条件） |
| 非随机缺失（MNAR） | 缺失与缺失值本身相关 | 传感器超量程后损坏、极值导致故障 | 慎插，倾向留空 |
关键判断：如果缺失的原因与"测不到的值"本身相关（比如最大雨强把翻斗打坏、最大位移使传感器脱开），插补会系统性低估极值——这类缺失必须留空并打标记。
插补的四种方法，适用边界不同
1. 线性插值
用缺失区间两端已知值连直线，适用短缺失（≤ 3 个采样点）且数据平滑（温度、水位缓变）。
禁用场景：
- 降雨序列（降雨是脉冲型，线性插值把雨"抹平"了，还会造出假雨）；
- 突变过程（滑坡加速期、污染事件）——线性插值会把突变"糊掉"；
- 缺失区间跨峰谷（插值结果可能穿过实际峰值）。
2. 邻近站回归/比值法
用同区域邻近站的相关性补：如 A 站缺失，用 B、C 站同期数据回归估计。
适用：气象要素（降雨、温度）空间相关性强的场景；站网密集时效果好。
要求：两站相关性 r > 0.8 才可用；标定回归用历史同期（不是全年，季节相关性不同）；山区、暴雨天气空间相关性骤降，此时回归插补不可靠。
3. 季节/历史均值
用"去年同期/多年同期均值"补：
适用：长期缺失（周/月级）的趋势分析（月均值、季评价）。
问题：抹掉当年异常（如今年旱季的极端干旱）；补出的值"太正常"。适合统计报表，不适合事件分析。
4. 模型预测（ARIMA/机器学习）
用时间序列模型预测缺失段：
适用：缺失段较长、数据规律明显（水位潮汐、温度日周期）。
注意：模型用"缺失前的数据"训练，预测缺失段——如果缺失期间发生了异常事件（潮汐被风暴潮打断），模型预测的是"正常值"，会掩盖事件。用模型插补前，先确认缺失期无异常事件。
插补的硬性规范
- 插补比例上限：单站单月缺失 > 10%（或连续缺失 > 24 h 重要事件段），不做插补，整段留空并标记——插补比例过高，数据就不再是"观测数据"；
- 插补必标记：每条插补记录必须带"插补标记"（来源方法、邻站、时间窗）。插补值和实测值必须可区分，这是数据质量的底线；
- 极值不插：超出历史极值范围的缺失（或缺失期间发生了已知极端事件），留空——插补永远补不出极值；
- 统计前先声明：做趋势/频率分析前，声明缺失处理策略（插补方法、比例），不同策略下结论不同必须说明；
- 保留原始序列：插补后另存一列，不覆盖原始数据——原始观测序列是唯一真值记录。
分要素的插补建议
| 要素 | 推荐 | 原因 |
|---|---|---|
| 温度/湿度 | 线性插值（短）/邻近站回归（长） | 平滑、空间相关强 |
| 水位（缓变） | 线性插值（短） | 缓变过程 |
| 雨量 | 邻近站比值法（短）/留空（长） | 脉冲型，线性插值禁用 |
| 风速风向 | 邻近站回归（谨慎） | 局地性极强，r 常 < 0.6，倾向留空 |
| 振动/位移（事件监测） | 留空 | 事件段缺失正是关键信息 |
| 水质（突发污染风险） | 留空 + 标记 | 缺失期可能是污染事件 |
一个判断口诀
先问"缺失期发生了什么"：
- 缺失期正常（设备故障，无事件）→ 短缺失可插补（线性/邻站），长缺失用季节均值或模型，全标记；
- 缺失期有事件（暴雨、地震、污染、设备故障于极值）→ 留空 + 标记，宁可少一段数据，不要一段假数据。
结语
缺失数据处理的本质是诚实：插补的目标不是"把曲线补完整"，而是"在明确标注的前提下，让数据可用"。插补比例、方法、标记必须可追溯——一份"插补过但没标记"的数据，比"留空"的数据危险得多，因为后者至少不会被误当成真值。