随着互联网和信息技术的发展,数据在技术革新、产业发展、科学研究等方面成为了重要的资源。从海量的数据中发现潜在有用的信息、知识和科学规律需要建立在高质量的数据集上。然而在现实世界中得到不完备数据集是不可避免的,数据缺失将会导致模型性能损耗。缺失值插补是统计学领域热点的研究方向。当前主流的数据插补方法中,多数针对缺失数据类型为连续型的缺失数据集展开,缺失数据为类别型的插补方法较少。当前经典的类别型缺失数据处理方法中,大多数通过直接删除缺失样本或者用众数填补法、K近邻填补法等方法来解决这个问题,这些方法一方面造成巨大的信息损失或者偏差,另一方面这些插补方法多数仅仅考虑数据样本间的相似性或者属性值之间的相关关系其中一个方面,未能利用不完备数据集中的全部信息进行精细建模。聚类算法作为一种典型的无监督机器学习算法,根据数据集的样本之间的距离,将数据集中相似的样本尽可能划分到同一组中,相异度大的样本尽可能区分到不同的组中;半参数logistic模型可以同时考虑自变量中线性相关关系和其他干扰作用;考虑到聚类算法能够把相似的样本数据划分到一个分组中、半参数logistic能反映充分挖掘属性值之间潜在线性相关关系和非线性相关关系的优势,本文提出了一种基于聚类和半参数logistic的类别型缺失数据插补方法,为处理调查数据集中的缺失数据提供了方法。该模型可以划分为两个阶段。第一阶段是预插补和聚类阶段,主要的任务是将含有缺失值的原始不完备数据集划分为两个独立的数据集,对划分出来完整数据集的属性进行相关性分析,然后通过完整数据集训练K近邻插补算法插补缺失数据集,也称为预插补。预插补完成后,对形成的初步完备数据集,利用K-means聚类方法对其划分为K个数据分组,同一数据分组中的样本具有很高的相似度,不同数据分组之间的样本相似度较低。第二阶段是半参数logistic学习和插补阶段,主要的任务是完成半参数logistic的参数估计和缺失数据集的再次插补。根据第一阶段得到的K个数据分组,根据阶段一的相关性分析把自变量划分为线性部分和非线性部分,在每一个数据分组中建立半参数logistic,对该数据分组内的缺失数据集的样本进行缺失值插补。为了验证本文提出的插补模型有效性,本文使用模拟数据和中国家庭金融调查数据集开展实验研究。实验结果表明,采用本文模型填补的结果较优于众数填补法、K近邻填补法、随机森林填补法这三个经典类别型缺失值填补方法。最后进行了总结并提出了研究展望。