matlab的fillmissing函数提供五种缺失值填充方法：一、线性插值法；二、前向/后向填充法；三、移动窗口均值法；四、自定义函数法；五、基于邻近行匹配法，各适用于不同数据特征与业务场景。
当表格数据中存在NaN值时，可能导致后续分析失败或结果失真。MATLAB的fillmissing函数提供多种内置策略自动填充缺失值。以下是使用该函数进行智能填充的具体方法：
一、使用线性插值法填充
线性插值适用于数值型列，假设数据随索引呈近似线性变化，利用相邻非缺失值之间的比例关系估算NaN位置的值。
1、读取包含NaN的表格数据，例如使用T = readtable('data.csv')；
2、对指定数值列（如'Height'）调用fillmissing，设置方法为'linear'：T.Height = fillmissing(T.Height, 'linear')；
3、若需批量处理所有数值列，可结合varfun与@isnumeric筛选后应用：T = varfun(@(x)fillmissing(x,'linear'), T, 'InputVariables', @isnumeric)；
二、使用前向/后向填充法
前向填充（'previous'）用最近的前方有效值替代NaN，适合时间序列中缺失发生在突发中断后的场景；后向填充（'next'）则相反，适用于末尾缺失或趋势延续情形。
1、对时间列按时间顺序排序，确保T.Time为datetime类型并已排序：T = sortrows(T, 'Time')；
2、执行前向填充：T.Value = fillmissing(T.Value, 'previous')；
3、执行后向填充：T.Value = fillmissing(T.Value, 'next')；
4、注意：前向/后向法不适用于含大量连续NaN的列，否则会引发长距离无效复制；
三、使用移动窗口均值填充
移动窗口均值法在每个NaN位置周围选取固定长度窗口，计算其中非NaN值的平均数作为填充依据，能抑制异常值干扰并保留局部趋势特征。
1、确定窗口大小，例如取5个样本：window = 5；
2、调用fillmissing并指定'movingmean'及窗口参数：T.Data = fillmissing(T.Data, 'movingmean', window)；
3、若窗口内无足够非NaN值，函数默认返回NaN，此时可叠加'EndValues'选项指定边界处理方式：T.Data = fillmissing(T.Data, 'movingmean', window, 'EndValues', 'nearest')；
四、使用自定义函数填充
当内置方法无法满足业务逻辑时，可编写匿名函数或外部函数，例如按同一分组的中位数填充，以消除组间差异影响。
1、创建分组变量，如按'Category'列分组：G = findgroups(T.Category)；
2、定义填充函数，对每组计算中位数：fillFun = @(x)fillmissing(x, 'constant', median(x, 'omitnan'))；
3、使用splitapply逐组应用：T.FillData = splitapply(fillFun, T.OriginalData, G)；
4、关键提示：自定义函数必须接受单列向量输入并返回等长向量，且内部需显式声明'omitnan'选项；
五、基于邻近行匹配的填充
该方法查找与当前缺失行在其他字段上最相似的非缺失行，提取其目标列值用于填充，适用于多维特征空间中的语义关联场景。
1、提取不含目标列的特征列构成矩阵X：X = table2array(T(:, {'Age','Gender','Region'}))；
2、对分类变量进行独热编码：X = dummyvar(categorical(X(:,2)))；
3、遍历每行NaN，用余弦距离搜索最近邻：[~,idx] = min(pdist2(X(ismissing(T.Target),:), X(~ismissing(T.Target),:), 'cosine'))；
4、将对应非缺失行的Target值赋给当前行：T.Target(ismissing(T.Target)) = T.Target(~ismissing(T.Target))(idx)；
