1.一种基于表格学习的医疗缺失数据插补方法，其特征在于，包括：获取待插补的医疗缺失数据并对其进行预处理，将预处理好的医疗缺失数据输入到训练好的医疗缺失数据插补模型中，得到完整医疗数据；

医疗缺失数据插补模型的训练过程包括：

S1：获取待插补的医疗缺失数据并对其进行预处理，得到预处理好的医疗缺失数据；

S2：对预处理好的医疗缺失数据分别进行预插补和转换操作，得到初步完整医疗数据和缺失掩码矩阵；

S3：采用改进的生成器对初步完整医疗数据和缺失掩码矩阵进行处理，得到修正医疗数据；计算生成器损失；采用改进的生成器对初步完整医疗数据和缺失掩码矩阵进行处理的过程包括：连接初步完整医疗数据和缺失掩码矩阵，得到连接向量；分别采用深层网络和浅层网络对连接向量进行处理，得到深层修正数据和浅层修正数据；融合深层修正数据和浅层修正数据，得到修正医疗数据；

所述深层网络由多个基础块构成，两个基础块之间采用门控残差连接；每个基础块由特征选择层、注意力层和线性层组成；

特征选择层对数据的处理过程包括：采用第一线性层和tanh激活函数对输入数据进行处理，得到第一输出；采用第二线性层和sparsemax激活函数对第一输出进行处理，得到稀疏概率；将稀疏概率和输入数据相乘得到特征选择层输出；

融合深层修正数据和浅层修正数据的过程包括：计算深层修正数据与待插补医疗缺失数据不缺失部分的深层MSE损失，计算浅层修正数据与待插补医疗缺失数据不缺失部分的浅层MSE损失；计算深层修正数据的相似度和浅层修正数据的相似度；将深层MSE损失、浅层MSE损失、深层修正数据的相似度和浅层修正数据的相似度输入到线性层和sparsemax激活函数中进行处理，得到深层权重和浅层权重；根据深层权重和浅层权重对深层修正数据和浅层修正数据进行加权求和，得到修正医疗数据；

S4：将缺失掩码矩阵输入到提示生成器中，得到提示矩阵；

S5：采用改进的鉴别器对修正医疗数据和提示矩阵进行处理，得到估计掩码矩阵；改进的鉴别器和改进的生成器结构相同；

S6：根据缺失掩码矩阵和估计掩码矩阵计算鉴别器损失，根据生成器损失和鉴别器损失调整模型参数，得到训练好的医疗缺失数据插补模型。

2.根据权利要求1所述的一种基于表格学习的医疗缺失数据插补方法，其特征在于，计算生成器损失的公式为：其中，N表示样本数，G表示生成器， 表示i样本j维度的掩码变量， 表示鉴别器生成的i样本j维度的掩码变量，表示第一权重参数， 表示生成器输入的i样本j维度数据，表示深层网络输出的i样本j维度数据，β表示第二权重参数， 表示浅层网络输出的i样本j维度数据，γ表示第三权重参数， 表示融合层输出的i样本j维度数据，d表示样本维度个数。

3.根据权利要求1所述的一种基于表格学习的医疗缺失数据插补方法，其特征在于，计算鉴别器损失的公式为：其中，D表示鉴别器， 表示i样本j维度的掩码变量， 表示鉴别器生成的i样本j维度的掩码变量，N表示样本数，d表示样本维度个数。