缺失值填补的“0”填补和均值填补_非参检验在缺失处填零影响统计结果吗-CSDN博客

本文链接：https://blog.csdn.net/2301_79425796/article/details/146523931

下面内容摘录自《用R探索医药数据科学》专栏文章的部分内容（原文5665字）。

4章5节：数据科学中的缺失值的处理，删除和填补的选择，K最近邻填补法_删除缺失值与填补缺失值-CSDN博客

在数据分析与处理的进程当中，缺失值（NA 值）属于一个屡见不鲜的问题。缺失值的出现会对数据分析的精确性造成影响，故而在展开数据分析工作之前，妥善处理好缺失值显得极为关键。此文将阐述如何应对所出现的缺失值。

一、缺失值删除

二、缺失值填补

下面介绍三种常见的数据填补方法，并以iris数据集为例进行详细说明。

1、单一填补法

单一填补法（Single Imputation）是一种常见的缺失值处理方法，它通过为每个缺失值分配一个替代值，进而对填补后的数据集进行分析。单一填补法是缺失值处理中的一种简单方法。它的核心思想是用一个固定的值来填补缺失的数据点。这样做的优点是方法简单易行，计算成本低。然而，单一填补法也有其局限性，因为填补值可能无法准确反映缺失数据的真实情况，进而可能对数据分析结果产生一定的偏差。

它包括“0”填补、均值填补、中位数填补和K最近邻填补法，并通过代码示例说明如何应用这些方法。

“0”填补

流行病学的调查数据必然会出现缺失值，然而其中有一些属于正常状况下的 NA 。举例来说，在流行病调查问卷的原始数据里，关于女性月经的“初潮时间”常常存在缺失，其原因在于男性会针对这个问题进行问卷题目的跳转；所以，为了不让数据的整体分析受到干扰，我们可以使男性患者的 NA 等同于数值“0”就行。

我们能够通过以下代码把原 iris_miss 的缺失值替换为 0，进而创建新的数据集 irismi0 。

irismi0 <- iris_miss
irismi0[is.na(irismi0)] <- 0

均值填补

均值补法是利用数据集中的观测值依据需求进行计算所得到的数值来进行填补，此方法也被称作均值填补法。均值填补通常存在两种方式：条件均值填补和非条件均值填补。

条件均值和非条件均值。条件均值填补依赖辅助信息，依照特性接近相似的原则对整个数据集进行分层，之后运用每层相应的响应来填补缺失值。非条件均值填补指的是针对所有的缺失值，运用整个数据集观测值的均值予以填补。不管是哪种均值填补法，通常都会致使响应值的方差和标准差变小，一般仅适用于简单缺失的描述性研究。

# 均值填补
iris_miss1 <- iris_miss
mean_value <- mean(iris_miss1$Sepal.Length, na.rm = TRUE)
iris_miss1$Sepal.Length[is.na(iris_miss1$Sepal.Length)] <- mean_value

# 计算填补后的数据与原始数据的差异
summary((iris$Sepal.Length - iris_miss1$Sepal.Length) / iris$Sepal.Length)

结果可见：

     Min.   1st Qu.    Median      Mean   3rd Qu.      Max. 
-0.218247  0.000000  0.000000 -0.001354  0.000000  0.164631

以 iris_miss 数据集的“Sepal.Length”为例，首先计算忽略缺失值后的“Sepal.Length”均值约为 5.85（mean_value：5.847586），随后使用忽略缺失值后的均值替换该变量中的缺失值。最后对补全后的数据与原始数据的差异进行检查，并计算偏差，补全后的平均偏差不到 0.14%，最大偏差大约为±16.46% 。

最小值（Min.）：-0.2182 表示最小偏差。
最大值（Max.）：0.1646 表示最大偏差。
均值（Mean）：-0.0014 表示填补后的数据与原始数据的平均偏差。

在某个研究中，如果数据集中存在大量简单缺失值，且对数据的精确性要求不是特别高，就可以考虑使用均值填补法来处理这些缺失值，以保证研究能够继续进行。但需要注意的是，这种方法可能会在一定程度上影响数据的原始特征。

市面上的 R 语言培训班和书籍（包括网络上的文章或视频），由于受限于培训时间或书籍篇幅，往往难以深入探讨 R 语言在数据科学或人工智能中的具体应用场景，内容泛泛而谈，最终无法真正解决实际工作中的问题。同时，它们也缺乏针对医药领域的深度结合与讨论。为了解决这些痛点，我们推出了《用 R 探索医药数据科学》专栏。该专栏将持续更新，不仅为您提供系统化的学习内容，更致力于成为您掌握最新、最全医药数据科学技术的得力助手。

每篇文章篇幅在5000字至9000字之间。
内容涵盖试验统计、预测模型、科研绘图、数据库、机器学习等热点领域。

《用 R 探索医药数据科学》专栏的学习指南

重新整理《用 R 探索医药数据科学》专栏目录形成学习的目的是为读者梳理出一个清晰、系统的知识脉络。通过将内容划分为工具使用、常规技术、可视化等八大板块，能让读者快速定位到所需知识领域，直观把握不同章节间的逻辑关系与递进层次。这有助于初学者构建完整的知识体系，有步骤地开启学习之旅；也方便进阶者迅速检索特定技术内容，进行深入研究与实践，提升了专栏内容的可读性与实用性。

缺失值填补的“0”填补和均值填补

一、缺失值删除

二、缺失值填补

1、 单一填补法

“0”填补

均值填补

《用 R 探索医药数据科学》专栏的学习指南

第一部分：介绍和工具的使用（专栏问答和第一、二和二十二章）

专栏问答

第一章：认识数据科学和R

第二章：R的安装和数据读取

第二十二章：文档和课件输出

第二部分：常规的分析技术（第三、四、五、六、十二和十三章）

第三章：认识数据

第四章：数据的预处理

第五章：定量数据的统计描述

第六章：定性数据的统计描述

第十二章：常见类型回归分析

第十三章：生存分析模型

第三部分：数据可视化技术（第七、八、二十和二十一章）

第七章：R的传统绘图

第八章：R的进阶绘图

第二十章：基于gglot2的扩展包应用

第二十一章：三维图形可视化

第四部分：临床试验特定技术（第九章）

第九章：临床试验的统计

第五部分：文献挖掘的技术（第十和十七章）

第十章：Meta分析攻略

第十七章：文献计量学

第六部分：数据驱动的分析（第十一、十四、十五和十八章）

第十一章：主成分分析

第十四章：匹配技术应用

第十五章：判别和聚类分析

第十八章：时间序列分析

第七部分：机器学习和预测（第十六和二十三章）

第十六章：机器学习入门

第二十三章：抽样与重抽样技术

第八部分：公共数据库挖掘技术（第十九章）

第十九章：NHANES数据库

1、单一填补法