发布日期:|最后更新日期

在数据分析领域,数据缺失是一个大问题。临床医学和外科等领域的研究人员经常面临这个问题¹。尽管从2001年到2022年,报告数据缺失的试验数量基本保持不变¹,但顶级期刊上发表的试验中,只有约40%能妥善处理数据缺失¹。如果缺失数据过多,就可能导致错误的结果¹。

了解缺失数据的挑战

在数据分析和研究领域,缺失数据问题是一项重大而持久的挑战。随着我们进入 2024 年,有效管理缺失数据的重要性只会增加,特别是考虑到各个领域的数据集的复杂性和数量不断增加。

“比数据缺失更糟糕的事情就是忽略数据缺失的事实。”
– 哥伦比亚大学统计学和政治学教授安德鲁·盖尔曼

缺失数据会严重影响研究结果的有效性和可靠性,可能导致结果有偏差和结论有缺陷。随着数据集变得越来越复杂,处理缺失数据的策略也不断发展,融合了先进的统计方法和机器学习技术。

关键见解

根据 2022 年 Kaggle 的一项调查,数据科学家大约花费 20% 的时间处理缺失或不一致的数据,这凸显了这个问题在现实世界的数据分析中的重要性。

定义和分类缺失数据

缺失数据是指数据集中通常预期会出现的数值缺失。这种现象可能由多种因素造成,包括数据收集错误以及调查中故意不回复。为了有效解决缺失数据问题,了解其类型及其发生背后的机制至关重要。

缺失数据的类型

MCAR:完全随机缺失
MAR:随机缺失
MNAR:非随机缺失

缺失数据分析的基本概念

  • 缺失机制: 导致数据缺失的过程
  • 归因: 用估计值替代缺失值的方法
  • 完整案例分析: 仅分析具有完整数据的案例
  • 多重归因: 创建和分析多个合理的估算数据集

研究中缺失数据类型的分布

注意:此图表是基于各种研究的估计分布,并且可能因不同领域和数据集而有所不同。

研究洞察

2023 年《临床流行病学杂志》发表的一项研究发现,近 95% 的临床试验报告了某种形式的缺失数据,凸显了这一问题在医学研究中的普遍性。

处理缺失数据的重要性

正确处理缺失数据至关重要,原因如下:

  • 保持统计能力: 忽略缺失的数据会减少样本量和统计功效。
  • 预防偏见: 处理不当会导致估计有偏差并且结论不正确。
  • 确保再现性: 一致处理缺失数据对于可重复的研究至关重要。
  • 提高模型性能: 有效处理缺失数据可以提高预测模型的准确性。

对研究的影响

《自然》杂志 2022 年的一项荟萃​​分析发现,与未考虑缺失值的研究相比,正确处理缺失数据的研究成功复制的可能性要高出 1.5 倍。

处理缺失数据的方法

处理缺失数据的方法多种多样,每种方法都有各自的优点和局限性:

付款方式描述优点缺点
完整案例分析删除缺失数据的案例实施简单可能导致偏见和信息丢失
均值/中位数插补用平均值或中位数替换缺失值易于理解和实施可能扭曲数据的分布和关系
多重插补创建多个合理的估算数据集考虑估算中的不确定性实施和解释起来更加复杂
最大似然估计根据可用数据估计参数可以根据 MA​​R 提供无偏估计复杂模型的计算密集型

选择正确的方法

方法的选择取决于多种因素:

  • 缺失数据的类型(MCAR、MAR、MNAR)
  • 缺失数据的比例
  • 样本量和研究设计
  • 研究的分析目标

2024年最佳做法

  1. 了解您的数据: 彻底检查数据集中缺失的模式和机制。
  2. 文档缺失数据处理: 在研究出版物中清楚地报告您对缺失数据的处理方法。
  3. 使用高级技术: 在适当的时候,考虑多重插补或机器学习方法等现代方法。
  4. 进行敏感性分析: 评估不同的缺失数据处理如何影响您的结果。
  5. 利用软件工具: 利用专门设计用于缺失数据分析的软件包。
  6. 保持知情: 紧跟缺失数据研究的最新方法发展。
“处理缺失数据的关键不仅在于所使用的技术,还在于了解缺失本身的性质。”
– 密歇根大学生物统计学教授 Roderick JA Little

结语

当我们探索 2024 年数据丰富的格局时,有效处理缺失数据仍然是研究人员和数据科学家的一项关键技能。通过了解缺失数据的类型、采用适当的方法并遵循最佳实践,我们可以提高分析的有效性和可靠性。请记住,我们的目标不仅仅是填补空白,而是以一种保持数据完整性和结论稳健性的方式来填补空白。

展望未来

随着机器学习和人工智能的不断发展,我们可以期待出现更复杂的缺失数据填补和分析工具。然而,理解缺失机制及其影响的基本原则对于确保我们的研究和数据驱动决策的质量仍然至关重要。

迈入2024年,对于研究人员来说,及时了解缺失数据处理的最新进展至关重要。本指南将介绍如何处理缺失数据、其重要性以及获得准确结果的最佳方法。

关键精华

  • 仅报告缺失数据是不够的;研究人员还必须解释他们如何处理这些数据以及他们的假设。
  • 高达 5% 的缺失数据通常不会对研究造成太大影响,但具体到何种程度后方法才会失效尚不清楚1.
  • 将缺失数据正确标记为完全随机缺失非常重要(MCAR)、随机缺失(MAR)或非随机缺失(明尼苏达州)选择正确的归因方法2.
  • 先进的方法如 多重插补 (MI)在处理缺失数据方面表现出色,并给出了一致的结果1.
  • 与擅长缺失数据的统计学家合作,并设计和记录好研究,是减少和处理缺失数据的最佳技巧12.

了解缺失数据的性质

在使用医学研究数据时,了解缺失数据类型至关重要。研究表明,缺失数据类型主要有三种:完全随机缺失 ( MCAR )、随机缺失 ( MAR ) 和非随机缺失 ( MNAR ) 3。

完全随机遗失(MCAR)

MCAR指的是数据随机缺失,与其他数据没有关联。它是完全随机的,不遵循任何模式³。例如,一些图书馆书籍数据可能由于记录错误而缺失。

随机丢失(MAR)

MAR表示缺失数据可以根据已知信息进行预测。缺失数据遵循某种模式,而这种模式可以由其他数据解释³。例如,对于那些未提供“性别”信息的人来说,“年龄”信息可能缺失。在未提供“性别”信息的人中,“年龄”信息的缺失是随机的。

随机丢失(MNAR)

MNAR表示缺失数据与数据中未显示的未知因素相关。这种类型的缺失具有我们已知信息无法解释的模式³。例如,未回复调查的人可能有很多逾期未还的书籍,导致他们的数据缺失。

大多数研究都集中在 MCAR 上,但 MAR 和 MNAR 需要更多关注3。这两种类型更难处理,也更难理解3。

缺失数据机制描述例如:
完全随机遗失(MCAR)数据缺失的概率在所有观测值中是均匀的。数据的缺失与任何其他观测值或未观测值之间没有关系。关于图书馆书籍的调查中,一些逾期书籍的价值由于人为记录错误而缺失。
随机丢失(MAR)数据缺失的概率仅取决于观察到的数据,而不取决于缺失数据本身。缺失可以用您拥有完整信息的变量来解释。在一项调查中,未透露“性别”的人缺少“年龄”值。 '年龄' 的缺失取决于 '性别', 但对于没有透露“性别”的人来说,缺失的“年龄”值是随机的。
随机丢失(MNAR)数据缺失与未观测数据本身有关,未包含在数据集中。缺失数据具有特定的模式,无法通过观测变量来解释。在有关图书馆图书的调查中,逾期图书较多的人可能不太可能回应调查。逾期图书数量缺失,取决于逾期图书数量。

了解缺失数据类型是选择正确分析方法的关键。这可以确保医学研究结果的准确性³。通过理解MCAR、MAR和MNAR,研究人员可以选择处理缺失数据的最佳方法并做出明智的决策³。

处理缺失数据的重要性

处理缺失数据是数据分析和机器学习的关键⁴。许多算法无法很好地处理缺失值。但是,像K近邻算法和朴素贝叶斯算法这样的算法可以处理缺失值⁴。如果处理不当,可能会构建有偏差的模型,导致错误的结果⁴。

缺失数据会降低统计分析的精确度⁵。缺失数据的数量各不相同,有三种类型:完全随机缺失(MCAR)、随机缺失(MAR)和部分随机缺失(MNAR)⁵。妥善处理缺失值对于准确的模型预测和可靠的分析至关重要⁴。

处理缺失数据的方法有很多,例如列表删除或成对删除、多重插补或基于模型的方法⁵。此外,防止数据缺失并使用 MLE 和多重插补等方法可以使数据分析更加准确⁵。

数据缺失会导致错误或故意遗漏,从而得出错误的结论⁶。了解数据缺失的原因及其对研究结果的影响至关重要⁶。通过妥善处理数据缺失问题,研究人员可以确保他们的研究结果准确可靠⁶。

“忽视缺失数据会导致有偏差和误导的结果,而正确处理缺失数据可以显著提高数据分析的准确性和可靠性。”

在 Python 中检查缺失值

处理缺失数据首先要找出缺失数据的位置和缺失量。在 Python 中,我们使用 Pandas 库来发现和理解缺失数据。`isnull()` 方法是关键,它帮助我们找到缺失数据的位置。

对 Pandas DataFrame 使用 `isnull()` 函数可以显示每列中缺失的值的数量,总共有7 个缺失值。这让我们清楚地了解了缺失的数据,并帮助我们决定如何修复它。

Pandas 还提供了许多工具来深入分析缺失数据。例如,`sum()` 方法可以统计数据集7中所有缺失值的数量。了解这一点有助于我们更好地理解问题,并选择正确的方法来处理缺失数据。

查找缺失值是清理数据的关键步骤。使用 Pandas,我们可以了解很多有关数据集中缺失数据的信息。这些知识有助于我们使用更好的方法来填充缺失数据。

“正确处理缺失数据是数据分析和机器学习中的关键步骤,因为它会显著影响模型的准确性和可靠性。”

随着我们继续进行数据工作,了解不同的缺失数据类型及其影响至关重要。学习如何检查和计算缺失值将为我们制定更复杂的数据处理和填充策略做好准备。

删除缺失值

处理缺失数据可以很简单:只需删除包含缺失值的行或列即可。这种方法称为列表删除或个案删除,操作简便,并且在缺失数据完全随机缺失 (MCAR) 的情况下效果很好。但是,要小心,因为删除过多数据会降低分析的可靠性,并导致数据丢失。

删除缺失值有其优点,例如操作简单且能保持数据结构不变。但是,如果缺失数据并非完全随机缺失(MCAR ),则删除缺失值可能会大幅减少样本量并导致结果出现偏差。因此,在决定删除缺失值之前,了解数据缺失的原因至关重要。

研究人员通常不会直接删除缺失值,而是采用插补法。这意味着用新的值填充缺失值。插补方法有多种,例如使用均值或中位数等简单方法,也有更复杂的方法,例如k近邻(KNN)算法或多重插补法<sup> 8 </sup>。这些方法有助于保持样本量,并减少分析中的偏差。

总之,删除缺失值虽然步骤简单,但必须谨慎操作。仅当缺失数据确实是完全随机缺失(MCAR)且剩余数据仍能进行分析时才应使用删除缺失值的方法。插补方法通常更适合处理缺失数据,尤其是在缺失值并非完全随机的情况下<sup> 8,9</sup>。

估算缺失值

处理缺失数据通常意味着使用插补法,即用猜测值填补空白。均值、中位数和众数插补法是简单的插补方法。它们用平均值、中间值或最常见的值来替换缺失值<sup> 10</sup>。但是,这些方法并非总能准确反映数据,尤其是在缺失数据模式复杂的情况下<sup> 11</sup>。

K 最近邻插补

K近邻(KNN)插补是一种更高级的缺失数据处理方法。它找到距离最近的数据点(邻居),并利用它们的值来猜测缺失值。KNN非常适合处理缺失值分散的大型数据集<sup> 11</sup>。它能够分析变量之间的关联性,从而在缺失数据与其他值相关联时提供更准确的猜测<sup> 11 </sup> 。

简单的插补方法看似快捷简便,但可能无法完全反映缺失数据的真实情况¹⁰ 。而像KNN插补这样的高级技术则利用变量之间的关系进行更准确的估计。这使得它们成为有效处理缺失数据的关键工具¹¹。

了解更多关于处理缺失数据以及纵向数据分析的作用,请参阅10 11 2。

高级插补技术

探索高级插补技术是处理缺失数据的关键。这些新方法有助于我们更好地处理缺失数据,并确保我们的数据真正反映现实¹²。

基于模型的插补

基于模型的插补是一种利用统计模型来猜测缺失值的技术。它通过分析其他数据点来进行猜测。这种方法功能强大,但需要大量的专业知识,而且可能耗时较长¹²。

多重插补

多重插补是处理缺失数据的另一种方法。它为缺失数据创建多个可能的取值。链式方程多重插补 (MICE)和完全条件规范 (FCS)是常用的工具<sup> 12 </sup> 。MICE使用模型来插补缺失数据,从而捕捉变量之间复杂的相互关系<sup>12</sup>。FCS基于已知信息逐个填充缺失值,并重复多次以生成多个完整的数据集<sup> 12 </sup>。这种方法考虑了缺失数据的随机性,确保数据尽可能准确<sup> 12</sup>。

这些先进技术为我们提供了一种可靠的方法来处理缺失数据,尤其是在缺失数据并非随机出现的情况下。利用这些技术,我们可以改进数据,提高数据的准确性。这有助于我们做出更明智的决策,并获得更好的结果¹²。

基于模型的填补

处理缺失数据:2024 年研究人员的最佳实践

我们知道临床试验和研究中数据缺失会造成多大的麻烦。幸运的是,有一些可靠的方法可以应对这个问题。国家研究委员会国家统计委员会 (CNSTAT) 小组就如何处理试验中的缺失数据提供了很好的建议<sup> 13</sup>。对于研究而言,TARMOS 框架为我们提供了清晰的步骤<sup> 2 </sup> 。

在数据缺失发生之前就加以预防是最佳方案。但是,即使经过周密的计划,获取完整的数据集也往往很困难<sup> 14</sup>。因此,我们应该从一开始就做好应对数据缺失的准备。研究计划应该明确规定哪些数据缺失是可以接受的,并且我们需要调整样本量<sup> 13</sup>。聘请一位了解如何处理数据缺失的统计学家会非常有帮助。

  • 处理缺失数据的好方法包括多重插补、逆概率加权和完全信息最大似然13.
  • 这些方法假设缺失数据是随机的,这意味着我们可以解释为什么某些值缺失13.
  • 我们利用数据来选择哪些变量有助于预测辍学率,使用回归和机器学习13.

有关于处理缺失数据的指南、网络研讨会和培训,表明使用正确的方法是多么重要13。通过遵循这些最佳实践,我们可以很好地处理缺失数据,并保持我们的研究的可靠性和有效性。

特点价值
问5年,1个月前
修改日期4年,4个月前
观看1万次
数据观察397576
缺失数据几乎是99%
归因选项均值,knn,0
建议方法高斯过程、变分自动编码器

“消除数据缺失所致问题的最佳策略是彻底预防。然而,即使在最严格的试验环境中,获得完整的数据集似乎也不太可能。”

在处理缺失数据时,我们需要提前做好准备。通过利用现有的建议和工具,即使存在缺失数据,我们也能确保研究的可靠性和有效性¹⁴²。

分类特征的归因

处理分类数据中的缺失值是一个常见的挑战。传统上,我们用最常见的类别填充这些空白,或者创建一个新的类别<sup> 15</sup>。这种方法虽然快速,但可能无法捕捉数据的真实性质。如果忽略缺失数据的模式,还可能导致结果偏差<sup> 15</sup>。为了改进这一点,研究人员开发了先进的插补方法,这些方法能够保持分类特征的结构<sup>16</sup>。

基于模型的插补是一种常用的方法,它使用训练好的模型来预测缺失值<sup>15</sup>。诸如 k 近邻 (k-NN)、矩阵分解、随机森林和深度学习等技术现在被用于分类数据<sup> 16 </sup>。这些方法可以处理复杂的数据模式,从而获得更准确的预测和更好的模型性能<sup> 16</sup>。

了解缺失数据的成因至关重要,缺失数据应被分类为完全随机缺失(MCAR)、随机缺失(MAR)或非完全随机缺失(MNAR)<sup> 15 </sup>。插补方法的选择取决于缺失数据的性质。这种选择会影响插补的质量以及后续的分析<sup> 15</sup>。因此,选择正确的插补方法至关重要<sup> 17</sup>。

总之,简单的方法虽然快捷,但像基于模型的插补这样的高级技术更适合处理分类数据16。了解缺失数据并选择正确的插补方法可以使我们的分析更加可靠和准确17。

插补技术描述优势缺点
众数插补用最常见的类别替换缺失值实施简单、速度快、易于理解如果缺失数据机制不是 MCAR,则可能会引入偏差,在解决导致缺失的底层模式方面受到限制
K 最近邻 (KNN) 插补根据 k 个最相似的观测值估算缺失值可以捕捉数据中的复杂关系,对数值和分类特征均表现良好计算复杂度会随着数据集的增大而增加,性能可能对 k 的选择很敏感
基于模型的插补使用预测模型(例如回归、随机森林、神经网络)估计缺失值灵活,可以处理多种数据类型,可以捕获数据中的复杂模式模型选择和调整可能具有挑战性,更大的数据集可能需要计算资源

选择分类特征的插补方法取决于数据集的大小、缺失数据模式和分析需求17。通过了解每种方法的优点和缺点,研究人员可以为他们的数据选择最佳方法16。

“对分类特征进行插补是数据预处理的关键步骤,因为它会显著影响后续分析的质量和可靠性。通过利用先进技术并了解缺失数据的性质,我们可以从数据集中挖掘出宝贵的见解。”

整合领域知识

作为数据科学家,我们深知利用领域知识处理缺失数据以及运用专家知识进行数据插补至关重要。领域专业知识在数据科学中的重要性不言而喻,它能帮助我们在处理缺失数据时做出明智的选择。社区从 23 位和18 位专家中遴选出了这些领域的专家,他们深厚的知识是填补数据空白的关键。

处理缺失数据意味着了解缺失数据的类型:完全随机缺失 (MCAR)、随机缺失 (MAR) 和非随机缺失 (MNAR)。这些类型会带来不同的挑战<sup>18</sup>。了解缺失数据有助于我们选择合适的插补方法,从而减少偏差并保持分析的准确性。

在医疗保健或金融等领域,缺失数据可能包括“拒绝回答”、“无回应”或“不知道”。了解这些细节有助于我们提高数据质量<sup>18</sup>。我们可以使用多重插补、基于模型的插补以及分配不同的权重来解决这些问题并减少调查数据中的偏差<sup>18</sup>。

凭借我们的领域专业知识,我们可以选择合适的插补方法。这可以是简单的均值插补,也可以是更复杂的KNN插补<sup> 18 </sup> 。基于深度学习的方法在解决缺失值问题方面越来越出色,并且近年来展现出更高的插补精度<sup> 19</sup>。我们对数据的深刻理解有助于我们选择和定制这些先进技术,从而获得最佳结果。

领域知识

总之,融入领域知识是处理缺失数据和进行准确数据插补的关键。凭借我们的专业知识,我们可以做出明智的选择,减少偏差,并充分发挥数据的潜力。这将有助于获得有意义的见解,并改进个性化和循证医学<sup> 19,18</sup>。

评估和敏感性分析

处理缺失数据非常复杂。评估插补技术并进行敏感性分析是确保结果可信的关键<sup>20</sup>。苏兆辉博士在ISPOR 2024会议上分享了一个框架。该框架涵盖五个方面:数据相关性、质量、相关性、收集方法和偏差分析<sup> 20</sup>。

敏感性分析表明不同的插补方法如何影响我们的结果<sup>20</sup>。通过测试各种插补方法,我们可以了解我们的发现的可靠性<sup> 20</sup>。Ontada 使用来自许多来源的真实世界数据,例如美国肿瘤网络 (The US Oncology Network) 中的肿瘤实践<sup> 20</sup>。

这有助于我们为数据和目标选择最佳的插补方法<sup> 20</sup>。全面的数据检查和敏感性分析有助于我们做出明智的选择。这会带来更可靠、更值得信赖的结果<sup> 20</sup>。

  1. 了解缺失数据的类型,例如 完全随机遗失(MCAR), 随机丢失(MAR) 或 随机丢失(MNAR)6.
  2. 对不同的缺失数据类型使用倾向分析和协变量调整等方法6.
  3. 进行敏感性分析,尤其是针对 MNAR,以了解缺失数据的假设如何影响结果6.

掌握评估插补技术、缺失数据的敏感性分析以及评估插补方法有助于我们更好地处理真实世界的数据。这为医疗保健领域带来了可靠、有用的见解。

“了解数据缺失的原因及其对分析的影响,是得出有效结论的关键。” 6

数据缺失的影响会左右我们未来的研究,这凸显了完整准确的数据至关重要⁶。在使用真实世界证据时,密切关注数据缺失并进行全面的敏感性分析至关重要。这将充分发挥其潜力。

结语

当我们结束对2024年缺失数据处理方式的探讨时,很明显,这项技能对数据科学家至关重要。几乎所有研究都会面临缺失数据的问题²。如果处理不当,缺失数据会削弱数据的可靠性,并导致结果出现偏差²。通过了解缺失数据类型并使用插补等技术,我们可以提高数据的可靠性。

器官移植领域也在快速发展。借助3D生物打印和异种移植,我们正在寻找解决器官短缺问题的新方法<sup>21</sup>。这些进展,加上干细胞研究,有望拯救许多生命,并使器官移植变得更好<sup> 21</sup>。

掌握缺失数据处理不仅仅是一项技术任务。这是成为一名负责任的数据科学家的关键部分。通过确保我们的数据完整且经过充分分析,我们可以做出更好的决策。让我们不断提高技能并采用新技术,以确保我们的数据分析准确且有影响力。

常见问题解答

有哪些不同类型的缺失数据?

缺失数据主要有三种类型:

1. 完全随机缺失(MCAR):数据随机缺失,与任何变量无关。

2. 随机缺失(MAR):数据缺失是基于我们所看到的,而不是基于缺失的内容。

3.非随机缺失 (MNAR):由于我们无法看到的原因而导致数据缺失。

为什么正确处理缺失数据很重要?

正确处理缺失数据是实现准确模型预测和可靠分析的关键。许多算法不适用于缺失值。此外,缺失数据会降低分析的准确性。

如何检查 Python 数据集中是否存在缺失值?

使用 Python 中的 Pandas 库的“isnull()”方法查找缺失值。这可以显示缺失的数据量并帮助规划如何处理它。

何时适合删除含有缺失值的行或列?

删除有缺失值的行或列是一种选择,但要小心。这可能会过度减少您的数据。仅当缺失数据确实是随机的并且您的分析仍然有效时才使用此方法。

对于缺失数值数据有哪些简单的归纳技术?

对于缺失值,您可以使用平均值、中位数或众数插补。这适用于随机缺失或少量缺失数据。它可以快速给出结果而不改变数据的分布。

K 最近邻 (KNN) 插补方法如何工作?

KNN插补法通过寻找相似数据点并用它们的值填充缺失值来填补空白。它适用于数据量大且缺失值分布分散的情况。KNN会考虑变量之间的关系,从而实现更精确的插补。

处理缺失数据的高级插补技术有哪些?

高级技术包括基于模型和多重插补方法。当缺失数据不是随机的,且简单插补可能会产生偏差时,这些方法非常有用。

2024 年研究人员处理缺失数据的最佳实践是什么?

最佳实践包括:

– 通过规划和调整样本量来防止数据丢失

– 与了解缺失数据策略的统计学家合作

– 分享您如何处理缺失数据以及在结果中进行敏感性分析

如何使用领域知识来处理数据集中的缺失值?

领域知识有助于选择正确的方法来处理缺失数据。数据科学家利用他们的领域专业知识来选择最佳的插补方法。这确保他们了解缺失数据的背景和模式。

为什么在处理缺失数据时进行敏感性分析很重要?

敏感性分析显示不同的插补方法如何影响结果。它可以帮助数据科学家对他们的发现更有信心,从而得出更好的结论。

  1. https://link.springer.com/article/10.1245/s10434-023-14471-7
  2. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3668100/
  3. https://arxiv.org/pdf/2404.04905
  4. https://stackoverflow.com/questions/78415816/dealing-with-missing-data-in-pandas-dataframe
  5. https://web.fibion.com/articles/esm-missing-data-best-practices/
  6. https://www.linkedin.com/pulse/handling-missing-data-how-leads-wrong-conclusions-doug-rose-otnpe
  7. https://www.analyticsvidhya.com/blog/2021/10/handling-missing-value/
  8. https://www.dasca.org/world-of-data-science/article/strategies-for-handling-missing-values-in-data-analysis
  9. https://medium.com/@pingsubhak/handling-missing-values-in-dataset-7-methods-that-you-need-to-know-5067d4e32b62
  10. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11101000/
  11. https://www.linkedin.com/advice/0/what-some-best-practices-dealing-missing-values-imputation
  12. https://www.medrxiv.org/content/10.1101/2024.05.13.24307268v1.full
  13. https://cls.ucl.ac.uk/data-access-training/handling-missing-data/
  14. https://stackoverflow.com/questions/56615889/handle-missing-values-when-99-of-the-data-is-missing-from-most-columns-impor
  15. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10870437/
  16. https://www.frontiersin.org/journals/big-data/articles/10.3389/fdata.2021.693674/full
  17. https://www.linkedin.com/advice/1/heres-how-you-can-address-missing-values-categorical-ktpge
  18. https://www.linkedin.com/advice/3/what-best-practices-handling-missing-data-your-sets
  19. https://www.sciencedirect.com/science/article/abs/pii/S093336572300101X
  20. https://www.ajmc.com/view/a-new-framework-for-handling-missing-data-as-rwd-sources-rise
  21. https://www.linkedin.com/pulse/strategies-handling-missing-data-clinical-trials-solutions-priya-k-pnpjc