在数据清洗过程中，缺失值填补的主要原因是：D: 有些算法无法接受数据的字段中有空值。

专业分析：

1. **算法要求**：许多机器学习算法和统计方法不能处理含有缺失值的数据。例如，线性回归、支持向量机（SVM）等算法在训练时需要完整的数据集。如果数据中存在缺失值，这些算法可能无法正常运行或会抛出错误。因此，填补缺失值是为了使数据集适用于这些算法。

2. **数据完整性**：缺失值可能会导致数据分析和建模的结果不准确或有偏差。通过填补缺失值，可以提高数据集的完整性，使得分析结果更具代表性。

3. **提高分析和建模的质量**：虽然填补缺失值并不总是能提高预测的准确度（C），但它可以帮助模型更好地利用可用数据。不同的填补方法（如均值填补、插值、使用模型预测填补等）可以在一定程度上改善模型的性能。

4. **分析的可靠性**：虽然填补缺失值可以增加分析的可靠性（A），但这通常是一个附带的好处，而不是填补缺失值的主要原因。

5. **时间节省**：填补缺失值本身可能需要额外的时间和计算资源，因此节省时间（B）通常不是主要动机。

综上所述，缺失值填补的主要动机是为了处理算法对数据完整性的要求，使得数据能够被有效地用于建模和分析。