我正在建立一个信用评分模型，并且一些数字属性（如最近查询的年龄）缺少值。他们失踪是因为这些人之前没有询问过，因此此属性不适用于他们。
我确实希望在模型中包含此属性。这是一个难题：如果我将此属性保持为数字，那么那些价值缺失的客户将被排除在外，但我希望在模型中考虑它们。如果我将此属性分类，则这些不同级别将被视为类别，并且我将无法保持年龄的单调性。
在Python中进行逻辑回归时，是否可以保留数字变量的空记录？在这种情况下，缺少数据归因不适用，因为这些数据应保留为空。
如果使用垃圾桶，是否可以保持垃圾桶之间的单调性？例如，最近查询的年龄在> 12的bin中应该会对信用评分产生更大的影响，而不是在[1,2]的bin中。
合并时我使用一种热编码。我如何才能将变量的所有级别作为一个组来对待，并决定其重要性，而不是将所有级别视为独立的预测变量？