缺失值，指的是缺少的数据，由于部分数据结构是齐整的，比如矩阵，缺失的数据会变成空值(NAN)留在其中，对我们后续的研究带来麻烦。我们需要分析后并去掉它们的影响。对于缺失值，量化中常见的处理方法是填充或删除。我们先分析泛用的清洗方法，再来研究数据的特性，对缺失值进行分类。

很多算法不支持缺失值数据作为输入。清洗中常见的操作是，遇到缺失值则填充为均值，或将数据特征取zscore变换，使得数据均值为0，标准差为1。Zscore变换使得填充均值和填充为0是一样，同时也平衡了不同特征之间的大小区别。这样，我们损失了空值的信息，再少了两个自由度，使得数据能较好地被算法支持。