前三个选项都可以处理连续变量的缺失值问题

对于连续型变量数据集的缺失值处理，有多种方法可以选择。根据具体情况，以下几种方法都可以考虑：

A: **均值填补** - 用该变量的均值来填补缺失值。这种方法简单易行，但可能会降低数据的变异性，影响模型的准确性。

B: **K-means聚类填补** - 先对数据进行聚类，然后用同一聚类中的均值或中位数来填补缺失值。这种方法考虑了数据的聚类结构，可能会比简单的均值填补更准确。

C: **回归填补** - 使用其他变量作为预测变量，建立回归模型来预测缺失值。这种方法可以更好地利用数据的相关性，但需要假设变量之间存在线性关系。

D: **以上均不对** - 这不正确，上述方法在不同场景下都是可行的。

**专业分析：**

1. **均值填补**适用于数据缺失比例较小且数据分布较为均匀的情况，但可能会低估数据的方差。
2. **K-means聚类填补**适用于数据可以明显分为多个类别的情况，但需要先进行聚类分析，计算量较大。
3. **回归填补**适用于变量之间有明显相关性的情况，能较好地保留数据的变异性，但需要构建回归模型，计算复杂度较高。

综上所述，具体采用哪种方法取决于数据的具体情况和对结果准确性的要求。没有一种方法是绝对正确或错误的，需要根据实际情况进行选择和验证。