统计量一定要使用训练集中的统计量来操作

在数据分析过程中，处理缺失值是非常重要的步骤，特别是在分割训练集和测试集时，需要格外注意。以下是对选项的分析：

- **A: 先用全数据的均值填充缺失值，然后随机分割训练集、测试集**
- 这种方法可能导致信息泄露。测试集的信息被用于填充缺失值，这可能引入偏差，从而影响模型对新数据的泛化能力。

- **B: 先随机分割训练集、测试集，然后用各自集合的均值填充缺失值**
- 在每个数据集中分别计算并填充缺失值，虽然避免了信息泄露，但这种方法可能导致训练集和测试集之间存在偏差，可能影响模型在测试集上的表现。

- **C: 先随机分割训练集、测试集，然后用训练集的均值填充缺失值**
- 这是一个常见且妥当的做法。使用训练集的统计信息（如均值）来填充缺失值，避免了测试集信息泄露，同时使得模型在训练和测试期间保持一致性。这种方法有助于确保模型的泛化能力。

- **D: 先随机分割训练集、测试集，然后用测试集的均值填充缺失值**
- 这种方法是错误的，因为它会导致信息泄露：使用测试集信息填充训练集的缺失值会导致模型在测试结果上表现得过于乐观，而不具备实际的泛化能力。

**正确答案是 C: 先随机分割训练集、测试集，然后用训练集的均值填充缺失值。**

专业分析：
- 使用训练集的统计信息（如均值、方差等）来填充缺失数据，确保模型在训练和测试之间的一致性。
- 避免使用测试集的信息进行任何形式的数据处理，以确保测试结果的准确性和可推广性。
- 此方法尊重了机器学习的基本原则，确保算法在未知数据上具有良好的预测能力。