缺失值较多.直接将该特征舍弃掉，否则可能反倒会带入较大的噪声，对结果造成不良影响。
缺失值较少，其余的特征缺失值都在10%以内，我们可以采取很多的方式来处理:
-
方式1: 把NaN直接作为一个特征，假设用0表示；
data_train.fillna(0)
-
方式2: 用均值填充；
均值填充可能需要取条件均值，例如某训练集中患癌症和不患癌症的数据中，该值的差距很大，那么就应当填充label相同的数据的均值。
data_train.fillna(data_train.mean())
-
方式3：用上下数据进行填充；
# 上一个数据填充 data_train.fillna(method='pad') # 下一个数据填充 data_train.fillna(method='bfill')
-
方式4：插值法
# 即估计中间点的值 data_train.interpolate()
-
方式5：用随机森林等算法拟合
将数据分为有值和缺失值2份，对有值的数据采用随机森林拟合，然后对有缺失值的数据进行预测，用预测的值来填充。