建模前尽可能保留原始信息。

处理缺失数据时，需要根据具体情况和业务需求选择合适的策略。对于“您的爱好”这一列占70%缺失值的情况，以下是对各选项的分析：

### A: 建模前先将这个变量删除
- **优点**: 简化模型，减少计算复杂度。
- **缺点**: 可能丢失有用信息，尤其是如果少数填报的数据中包含重要的特征信息。

### B: 将这一项没有填写的客户归为第6类
- **优点**: 保留所有数据，不丢失信息，模型可以识别缺失数据作为一种特定的特征。
- **缺点**: 如果缺失不是一种有意义的类别，可能导致模型复杂化。

### C: 用前5项的众数替换缺失值
- **优点**: 简化处理，通过填补最常见的值减少缺失影响。
- **缺点**: 如果众数不是大部分客户的真实情况，可能导致模型偏差。

### D: 提出这部分未填写爱好的客户信息
- **优点**: 专注于完整的数据集，专门分析没有填写的客户是否有一致的特征或行为模式。
- **缺点**: 丢失大量客户数据，可能导致样本偏差。

### 结论
**B: 将这一项没有填写的客户归为第6类** 是一个更为灵活的处理方式。通过这种方式，可以保持数据的完整性，同时允许模型识别缺失本身作为一个潜在的特征。这种方法在不丢弃大量数据的情况下提供了一种简单而有效的建模策略。具体选择还需结合业务需求和模型效果进行验证。