1樓：dlwlrma
最近正好在做netflix problem, singular value thresholding(SVT)可以用來做矩陣填充，它的核心在於奇異值分解，netflix的資料只有1%有值，99%都是缺失的，用svt還原，填充缺失值效果還不錯，rmse可以收斂到0.01。具體可見我的github:
.但是缺點在於要想完美復原原矩陣， 前提條件是原矩陣必須低秩，即資料最好每列的缺失值比例都比較大，svt用0填充缺失值，這樣填充過的矩陣就低秩了，然後就可以完美還原，但是實際應用中大多是某一列缺失值比較多，其他列大多完整，這種情況下填充效果就比較一般了，所以這種演算法的應用場景十分有限。
2樓：
剛在另乙個問題下回答了R中mice包的缺失值處理，鏈結如下，供參考：
各種統計分析軟體，對於缺失值的預設處理方式是什麼？ - Hiu Kung 的回答
如果題主只是想知道大量缺失時的處理情況，恕直言，根本就不符合填補的情況。
題主不妨換個角度看一下吧。
為何會缺失之類，也可以成為乙個研究問題的。希望有幫助。
3樓：沙薈
資料缺失率達到80%實在太高，基本上沒有什麼統計學方法能救了。
如樓上所說，不管是何種imputation方法，大多要求資料是missing at random。所以你需要首先確認導致資料缺失的原因。如果缺失是隨機發生，可以考慮imputation或者em。
但如果不是，那最可能的是資料收集階段就出了問題，那就很難補救了。即使用了imputation來補救，資料分析出的結果也可能是不可信的。
4樓：楊益煩
總論MAR: Missing at random
NMAR: Misiing not at random
下面的主要是在clinical trial中, 見ICH E9：http://www.
ich.org/fileadmin/Publi
c_Web_Site/ICH_Products/Guidelines/Efficacy/E9/Step4/E9_Guideline.pdf
LOCF: Last observation carried forward
Multiple imputation/EM
BOCF: baseline observation carried forward, 這個東西還有改進版本mBOCF
WOCF: Worst observation carried forward
<<< 其中每個都能寫一篇文章了。
非常規手段舉例
如果認為那種缺失60%就不能做的也是比較拿衣服。比如一種很特殊的缺失：刪失資料（生存分析領域），80%都不是夢。
但是不偷換命題，看看這個有意思的東西： Matrix Completion with Noise （使用壓縮感知的理論），以及推薦系統要做的事情。是不是有很親切的感覺？
有汙點的女人應該怎樣面對生活？
俊懿 古話說好 人非聖賢孰能無過 知錯能改善莫大嫣 看了你說的情況，有幾點值得慶幸的，一是恭喜你碰到了真心愛你的人，在這種情況下你的前夫不顧男人的面子，不顧外人的阻撓尤其是親人，甚至是至親的反對，不顧前嫌仍然堅持跟你在一起，希望你珍惜這份世間難能可貴的感情，他既然這麼相信你這麼有決心跟你在一起，那麼...
應該怎樣面對自己的過去？
momo 過去精彩的話當然值得留念了，但是如果過去給你留下了不好的印象，就沒有必要抓著不放，每乙個人都應該擁有更好的人生，應該朝著更好的方向發展，沒有什麼可以阻擋你，就算你自己也不行。 Monster DC 過去其實就是過去，其實有時候在想，面對了又怎樣？逃避了又怎樣？它終究是過去呀！而我們需要面對...
迷茫期的自己應該怎樣去面對
阿里大大 1.趁年輕，靜下心來，趕快學習，想你這樣的，需要學習幾個謀生的技能。2.沒有學歷，只能吃本事，少玩遊戲，多學技能。3.遠離雞湯文章，喝了一大堆雞湯，但是發現手裡沒有金剛鑽，還是攬不了瓷器活，追悔莫及。4.少吃吃喝喝，不要當乙個酒囊飯袋。 explorer 不用一下子確定乙個方向走到黑，只要...