机器学习中，训练集中的数据特征有几百个，但是大多数特征都很稀疏缺失率高达百分之80以上，该怎么处理?

缺失率百分之80，这有点太多了吧。

你这里说的稀疏缺失率，那我猜测你应该是采集数据时，将缺失置为0了。通常来讲，缺失数据一般都是标记为NANS等，而不是直接用0，因为特征中的0的数量和位置，本身也具有重要意义。

你的缺失率达到80，那么来说，肯定不能直接删除，不然删麻了，不知道的人，还以为你贪污了实验经费。或者是插补，但是啊，像各种插补算法，有许多成熟的估算包:Amelia, mi, mice, missForest等，通过传递不同的回归函数来预测缺失的特征值，我觉得都有点近似于将每个缺失值的特征建模为其他特征的函数，并使用估计值进行估算，然后可以根据实际情况可能就是单次或者多次插补。理论上来说，都是这么处理的，但是啊，一般来说只是对少量缺失值，离群值的时候使用，还要确定带来的误差是能够容忍的。

像楼上答主说的置为其他字符，如果你要自己处理的话，说白了就是加占位符，然后将数据集转化为二进制矩阵，然后标记缺失值，再结合分类器，在sklearn库里函数名是：MissingIndicator 。

但是但是但是，以上的方法，在达到80%的缺失率时，我的经验告诉我，基本上时没用的，因为啊，你缺失不一定是较为集中的维度，可能同样类别，每个维度都有缺失，你又不能直接删，也不能随便置零，前文说了，这些东西本身就具有重要意义，如果你能明显的观察到缺失具有一定稳定的分布，你可以人为地选择维度，比如，128维特征，从维度出发，统计所有样本里，哪个维度缺失最少，从低到高排序，然后选择前面几个或者多个维度组成特征，进行一些尝试，进行特征选择。如果没有这么理想，或者特征的稀疏性和维度时序也有重要意义，那我有个灵光一闪的想法，你可以去试试，既然缺失值插补的路子大概率走不通，又不能随便人为构造，要不尝试下映射到其他维度？降维压缩一下，比人为压缩更有点说服力，不要那么稀疏（不是特征本身的稀疏，而是缺失），或者映射到更高维度（总有一个维度可分？）