1、异常值处理方法
在数据处理过程中，异常值是指不符合数据集中其他数据模式的数据点。这些数据点可能是由于测量误差、数据输入错误或其他原因导致的。异常值会影响数据分析结果的准确性，因此需要进行处理。
以下是一些常用的处理异常值的方法：
删除异常值：如果异常值数量较少，可以直接将其从数据集中删除。但是需要注意，过多的删除可能会影响数据集的完整性和可靠性。
替换异常值：可以用均值、中位数、众数等常用值替换异常值。也可以通过回归、插值等方法估算出合理的值来替换异常值。
分箱处理：将数据分成若干个区间，把落在某一区间的数据看作是一个整体来处理。这样可以避免异常值对整个数据集的影响。
离群点检测：利用统计方法或机器学习算法检测异常值，并将其标记或删除。常用的检测方法包括箱线图、Z-Score等。
使用缩放、归一化等方法：使用缩放、归一化等方法将数据缩小到合适的范围内，可以减少异常值对数据集的影响。
% 创建带有异常值的向量
xx = [2, 3, 5, 7, 9, 11, 100, 13, 15, 17, 19];
% 计算中位数
med = median(x);
% 找到所有大于中位数2倍的异常值
outliers = x > 2 * med;
% 使用中位数替换所有异常值
x(outliers) = med;
% 打印处理后的向量
disp(x);
2、缺失值处理方法
数据缺失的情况，需要采取一些补全方法来填补。常用方法包括：
均值插补法：将缺失值用该特征的均值进行填充，适用于数值型数据。
中位数插补法：将缺失值用该特征的中位数进行填充，适用于数值型数据。
众数插补法：将缺失值用该特征的众数进行填充，适用于离散型数据。
插值法：通过对已有数据进行插值，推断出缺失数据的值。常用的插值方法包括线性插值、拉格朗日插值和样条插值等。
矩阵补全法：利用矩阵分解等方法，将缺失值的位置填补成矩阵中的其他元素的线性组合。适用于缺失值比较多的情况。
随机森林法：利用随机森林算法对缺失值进行预测，将预测结果作为缺失值的补全值
删除缺失值：当缺失值的数量较少且对整体数据影响不大时，可以直接将缺失值所在的数据行或列删除。
举一个简单的实例：线性插值matlab实现
% 生成原始数据
x = 0:10; % 数据点的 x 坐标
y = sin(x); % 数据点的 y 坐标
% 生成插值点
xi = 0:0.1:10; % 需要插值的点的 x 坐标
% 进行线性插值
yi = interp1(x, y, xi, 'linear');
% 绘制原始数据和插值数据的图像
plot(x, y, 'o', xi, yi, '-');
legend('原始数据', '插值数据');
