一个空单元格，有时是整行数据里信息量最大的部分。问题在于，你通常得查数据字典才能知道它到底意味着什么——而面对800个名为f_0347的匿名列，这招根本行不通。所以我们直接测量它，再把结果和已有文献对照。

Ames房价数据：1,460笔交易、79个列，其中19列含空值。

打开网易新闻 查看精彩图片

“缺失超70%的列直接删掉”——这句话被写进过无数条数据处理管线。在Ames上，这条规则会删掉4列，其中3列的空缺里藏着真实的房价信号。

这个数据集的空值是有结构的。GarageQual（车库质量）为空，不代表数值丢失，而是这栋房子根本没有车库；Alley（小巷）为空，意味着没有小巷通道。空，本身就是测量结果。

这些规律在这里容易看出来，因为列名是英文、还有公开的数据字典。但在真实项目常见的匿名化特征供应商数据流上，就不容易了。所以值得回答的问题不是“缺失是否携带信号”，而是：在不了解列含义的前提下，能不能判断出来？

1 · 空单元格有价格标签

先做粗检验：某列为空的行，和不为空的行，销售价格有没有差异？在同一批行上同时为空的列描述的是同一个事实，所以5个车库相关列合并成一个维度。

图1显示：没有车库的房子，中位价比有车库的房子低6.8万美元（该数据集房价中位数16.3万美元）。注意符号反转：有小巷或有围栏的房子反而更便宜——这些特征标记的是更老、更密集的街区。“空=更差”不是可以默认的规则。

然后是更严格的测试：把表里所有数值全部扔掉，只保留一个19列的True/False矩阵——记录每个单元格是否为空。只用这个矩阵训练模型。

图2显示（五折交叉验证）：一个从未见过房屋面积、街区或建造年份的模型，仅凭哪些单元格为空，就达到了R²=0.41。

空值的信息量相当大。但我们能读懂它，靠的是数据字典——而这一步恰恰无法规模化。