1、就近插補：前推法LOCF， 替換為缺失之前的最后一次觀測值，與后推法NOCB， 使用缺失值后面的觀測值進行填補。這個是時序當中最基本的方法，當然還有用Baseline Observaton, 或者啥Worst observation,目前生科實驗好像有用。
2、線性插值：這個也是歷史悠久方法， 假定時序之間變動有很強的趨勢。早期天文學缺失數據都用這個方法。
3、季節性+線性插值： 經濟數據或者季節波動數據，采用這樣的方法。同時具備季節性和總體趨勢性，很多季節、氣候變動相關數據都可以。
4、均值中位數眾數，沒有考慮時序因素。但是假如你認為時序數據里面基本沒有很強趨勢，也是可以的。當然里面也還有 比如Conditional Mean這樣改進方法。
5、多值插補/機器學習： Multiple Imputation ， Expectation-Maximization ， Nearest Neighbor ，和 Hot Deck 方法，這些方法都依賴於缺失數據不同屬性間關系，尋找最類似樣本。如果使用R的話，mice, VIM, AMELIA等都可以用來插補，但是這個必須是多變量時序。如果單變量時序，無法找不同屬性關聯，用ImputeTS, 然后zoo, 或者forecast。
6、當然還要區別分類還是數值，如果類別變量，NA直接可以划分新分類。
除了這些統計方法， 我想每個領域里面缺失值都肯定還要借鑒專業知識來判斷。比如以國家軍費缺失數據為例，如果你知道因為戰亂帶來的缺失。那么戰時數據比和平年代數據就更合適，很簡單就近填補。
然后插補不同學科可能都有默認或者建議的方法，比如社會學或者人口學無應答問卷數據，大量采用hotdeck，就是假定類似用戶類似行為，US Census Bureau也在用。
氣候數據，看到有的文章在研究氣候變化時采用Expectation-Maximization algorithm，R里面mtsdi。見這篇文章 Imputation of missing data in time series for air pollutants。當然python的話里面也有很多。
最后，插補數據方法上如果你對數據生成機制很熟悉的情況下，可能一些簡單方法就可以。對於本身純粹依賴算法，不能給出解釋機制的插補有疑慮。為什么說要增加專業知識判斷，因為缺失本身表明這些樣本信息不足， 專業知識判斷就相當於額外增補信息。
鏈接：
https://www.zhihu.com/question/355799116/answer/1574303138
https://github.com/xinychen/transdim
