随着网络应用日益深化,数据正以前所未有的速度不断增长积累。但在原始数据收集过程中,由于采集节点故障和网络传输不稳定等原因,都将产生数据不完整性。数据的不完整性使得数据难以被建模和学习,尤其在大数据集下,不能解决缺失数据值的填充问题就难以有效挖掘大数据潜在价值。因此,对不完整数据进行分析填充具有重大研究意义。传统数据填充方法大多利用整个数据集对缺失数据值进行填充,没有充分考虑数据对象的类别特征,使得填充值容易受到不相关数据干扰。而且现有的数据填充方法时间复杂度高,不具有分布式特性,不适合大数据集的数据填充处理。针对这些问题,本文首先提出一种基于MapReduce的不完整数据减法聚类算法,算法改进减法聚类数据点间距离度量方式,对不完整数据集直接聚类。为提高聚类算法执行效率,利用矩阵相乘思想改进减法聚类过程中求解数据点间距离过程,并实现多级MapReduce并行化。然后提出一种基于分布式减法聚类的不完整数据填充算法,算法利用基于属性重要性的属性权重得到含有缺失值数据点与其他数据点间距离加权系数,并利用加权系数和减法聚类结果对缺失数据属性值填充,避免其他类中数据对象对填充值的干扰。最后利用物联网相关技术搭建桥梁监测系统仿真实验环境,并对桥梁监测数据采集与汇总传输过程进行优化,得到桥梁监测大数据,进而利用本文提出算法对桥梁监测不完整大数据填充处理。实验结果表明,本文算法能够对不完整大数据进行快速聚类,同时能够对缺失数据值有效填充,满足大数据处理的要求,具有一定的理论研究意义与实际应用价值。