B选项就是KNN填补的思路

正确答案是 B：利用数据在各个维度上的相关性去找出相关数据以便对数据中的缺失值进行填补。

专业分析：

KNN（K-Nearest Neighbors，K最近邻）填补缺失值的原理是基于相似性原则。具体来说，对于一个具有缺失值的数据点，KNN算法会在数据集中找到与该数据点在其他特征维度上最相似的K个数据点（即K个最近邻）。然后，利用这些最近邻的数据点来估算缺失值。

详细步骤如下：

1. **计算距离**：对于每一个缺失值数据点，计算它与数据集中其他所有数据点的距离。常用的距离度量方法有欧氏距离、曼哈顿距离等。

2. **选择最近邻**：根据计算出的距离，选择距离最近的K个数据点。

3. **填补缺失值**：对于数值型数据，可以使用这K个最近邻的数据点的均值、加权均值或中位数来填补缺失值；对于分类数据，可以使用这K个最近邻的数据点的众数来填补缺失值。

KNN填补的优点是能够充分利用数据的局部信息，保持数据的原有分布特性。然而，它也有一些缺点，比如计算复杂度较高，特别是在大数据集上，计算距离和选择最近邻的过程可能会非常耗时。

选项A描述的是聚类方法，不是KNN的原理；选项C的描述不准确，KNN并不是直接计算每个字段的均值或众数；选项D描述的是树模型的填补方法，而不是KNN的填补方法。