数据缺失补充方法主要包括以下几种：
- 均值填充：对于数值型的特征，如果缺失值是定距型的，就可以采用该特征在已有数据中的平均值来插补缺失的值。这种方法简单易行，但可能引入误差，因为均值可能并不能完全反映数据的真实分布情况。
- 众数填充：对于类别型的特征，如果缺失值是非定距型的，就可以采用该特征在已有数据中出现频率最高的类别来填充缺失值。这种方法在类别数据分布不均匀时可能效果不佳。
- 插值法：包括线性插值、多项式插值、样条插值等。这些方法通过已有的数据推算出缺失值，可以较好地保留数据的连续性和变化趋势，但计算复杂度较高。
- 预测模型填充：利用其他特征的信息，通过建立模型来预测缺失值。常用的模型包括KNN、决策树、随机森林等。这种方法能够综合考虑多个特征之间的关系，但模型的建立和训练需要一定的时间和计算资源。
- 利用同类均值插补：这种方法首先通过层次聚类模型预测缺失变量的类型，然后再以该类型的均值插补。这种方法可以考虑到数据的聚类特性，但同样需要计算资源。
- 极大似然估计：在缺失类型为随机缺失的条件下，假设模型对于完整的样本是正确的，那么可以通过观测数据的边际分布对未知参数进行极大似然估计。这种方法需要假设模型正确，且计算过程可能较复杂。
需要注意的是，每种方法都有其适用场景和限制条件，具体的填充方法需要根据数据的性质、缺失值的比例和缺失类型等情况灵活选择。同时，在填充缺失值的过程中，需要对比填充前后数据分布、均值、标准差等指标的变化，以检查填充后的数据是否合理和可靠。
此外，还有一些其他的方法，如多重插补和贝叶斯估计等，这些方法在处理复杂数据缺失问题时可能更为有效。多重插补考虑了参数的联合分布和相互关系，能够提供更全面的信息；而贝叶斯估计则只需要知道未知参数的先验分布，无需考虑与参数的关系。
总的来说，选择哪种方法取决于数据的特性、缺失值的性质以及分析目的。在实际应用中，可能需要结合多种方法进行数据补量，以达到最佳的效果。