2. 在資料分析之前，需要花費很多力氣去整理資料，其中處理遺失值 （Missing Value）便是一種，下列何者不是處理遺失值的手段？
(A) 移除有遺失值的資料
(B) 使用平均數或第一四分位數來填補
(C) 將前一筆資料的值填入
(D) 使用 K-近鄰法（K-Nearest Neighbours）搭配中位數進行填補

在資料分析的前置處理過程中，處理遺失值（Missing Values）是非常重要的一環，常見的處理方式包括刪除含有遺失值的資料、使用統計方法填補缺失值，或者運用機器學習方法來推測遺失值。

解析選項：

(A) 移除有遺失值的資料 ✅
→ 這是最簡單但有風險的方式，特別是當遺失值較少時，直接刪除影響不大；但如果遺失值占比高，可能會導致資訊流失。

(B) 使用平均數或第一四分位數來填補 ✅
→ 這是最常見的統計填補方法，通常用來處理數值型資料，例如以「平均數」填補連續變數，以「第一四分位數」或「中位數」避免極端值影響。

(C) 將前一筆資料的值填入 ✅
→ 這種方法稱為前向填補（Forward Fill, ffill），在時間序列分析中很常見，即用上一筆的數據來填補當前遺失的值。

(D) 使用 K-近鄰法（K-Nearest Neighbours）搭配中位數進行填補 ❌
→ K-近鄰（KNN）法是一種基於鄰近數據的填補方法，但它通常是根據相似數據點的加權平均值或歐式距離最近的 K 個鄰居的均值/中位數來填補，而不直接搭配中位數。因此，這個選項的表達方式不夠嚴謹，屬於較少見的方式。

正確答案：

(D) 使用 K-近鄰法（K-Nearest Neighbours）搭配中位數進行填補