随着大数据时代的到来,通过数据挖掘获取信息已经成为常态,然而我们获取的数据大多数情况下都是含有缺失值的,也就是说数据是不完整的。然而很多统计方法在做数据分析时,都需要完整数据才能研究。数据缺失普遍发生在各个研究领域中,对缺失数据的处理已经不能局限于忽略或者直接删除,数据插补法逐渐活跃起来。本文主要探讨的是多种插补方法对于分类型缺失变量和连续型缺失变量的插补效果。在探究分类缺失变量的插补方法时,首先画出受试者工作特征（ROC）曲线,再计算此曲线下的面积AUC值。通常AUC值越大,分类器性能越好,其插补效果也更好。并且我们发现在一定程度内的缺失下,尽管缺失率不同,分类插补方法的插补效果优劣排序并不会发生太多变化。在研究连续型缺失变量时,我们在各个插补方法效果的比较上既使用了反映真值与插补值数值误差的比较指标,平均绝对误差（MAE）、均方误差（MSE）和均方根误差（RMSE）;还使用到了模型误差的比较,计算了各个插补方法插补之后得到的完整数据的模型系数与真实数据的模型系数之间的角度和平方误差,来判别各个插补方法对于模型的影响程度。并且发现缺失率不同,各个插补法的效果相对而言会有所变化。当缺失程度较低时,决策树确实会有不错的插补效果,但是随着数据缺失率的增大,它的插补效果相对而言逐渐减小,而此时多重插补法以及随机森林插补法的插补效果相对地逐渐提升。