当数据中存在缺失值，且你希望在不删除记录的前提下补充信息时，可使用多重插补 MICE。此工具通过迭代计算各列间的关系来预测缺失值，比简单的平均值填充更能还原数据的真实分布，帮助你获得更可靠的分析结论。
如何理解多重插补
在数据分析中，面对缺失值时，简单的处理方法往往会引入偏差。多重插补 MICE 采用了一种更精细的逻辑：它将每一列缺失值视为其他列的预测目标，通过多轮迭代的方式，利用现有数据估算缺失部分。
这种方式不仅关注目标列本身，还充分利用了数据集内其他变量的信息，从而确保了填充后的数据在统计特性上更接近原始数据的分布特征。
保留数据完整性的重要性
很多时候，删除带有缺失值的行会造成样本量的大幅缩水，甚至导致有意义的观测记录被剔除。通过多重插补 MICE，你无需丢弃任何一行数据，即可完成缺失值的补全。
平台会提供详细的填值报告，展示插补前后的缺失值数量变化以及填值的均值、最小值和最大值，确保你在进行后续分析前，能够清晰地进行合理性检查。
Lattice 平台的使用范式
在 Lattice 中，该工具被设计为链式分析的一部分。你可以直接对现有的数据集执行插补，系统会自动生成一个包含插补结果的派生数据集（Derived Dataset）。
下游的统计工具（如方差分析或回归分析）可以直接关联这个新的数据集 ID，确保整个工作流从数据准备到结论输出完全透明、可审计且严谨。
1 · Intent → method
An LLM picks data_multiple_imputation from a fixed catalog.
2 · Method → numbers
Deterministic Python engine runs the math. Same input → same output.
3 · Numbers → plain language
A second LLM translates the result into your domain’s vocabulary.
为什么多重插补 MICE 比直接用均值或中位数填充更好？
均值填充会人为降低数据的波动性并扭曲变量间的关系。多重插补 MICE 通过条件分布迭代计算，考虑了数据列之间的相关性，能够更客观地估计缺失值，从而避免分析结果出现偏差。
使用多重插补 MICE 会改变我的原始数据吗？
不会。Lattice 始终遵循派生数据集原则，多重插补 MICE 会生成一个新的数据集版本，你的原始数据文件始终保持不变，方便随时回溯。
Tool 输入字段
Schema for data_multiple_imputation not exported yet (run pnpm export:registry).