如何处理聚类分析中的缺失数据

(1)删除缺少值的数据。如果数据集中只有少量数据有缺失值，忽略它们可能是合理的。但是，如果给定的数据集中有很多缺失值的数据，采用这种策略很难对数据进行可靠的分析，而且缺失值的数据中也包含一定的信息，这些信息可能对分析非常重要，所以我们应该非常小心地忽略它们，并确保不会影响分析。(2)估算缺失值。有时，可以根据数据的特征可靠地估计缺失值。具体来说，根据相邻点的属性值来估计缺失值，往往选择相邻点的平均属性值来代替缺失值，有时选择数据集的平均值来代替缺失值，或者进行曲线拟合，根据拟合结果选择合适的属性值。(3)忽略缺失值。很多聚类算法可以用来直接处理有缺失值的数据，比如计算对象之间的相似度。对于有缺失值的数据，可以用没有缺失值的属性值来计算相似度，这只是近似的。除非整个数据的属性很少或者很多数据有缺失值，否则误差影响很小。