缺失值介绍和处理方法总结
一、缺失值介绍
1.1、定义
缺失值: 是指在数据采集与整理过程中由于各种原因没有获得的数值、属性或内容。
1.2类型
类型一: 数据实际真是存在,但是没有观测到或记录到的数据。例如:当被访问者被问到比较敏感的问题时,访问者会拒绝回答
类型二: 实际不存在的数据。例如:被访问者死亡或者
在实际应用中,收集到的数据集中往往某个或某些属性的值是空白的、错误的、或不符合要求的,这样的值一般也作为缺失值进行处理。可以肯定地说,现实生活中缺失值的产生几乎是无法避免的。
1.3原因
(1)信息受到了时间的限制。比如:医生诊断报告
(2)某些调查属性对被调查者而言不存在。比如:儿童的固定收入是不存在的未婚者的配偶收入也是不存在的
(3)有些信息在被调查者看来需要保密。比如:收入、婚姻状况、年龄
(4)获取信息的成本过高。比如:高昂的医疗费用
(5)填写者或收集数据者的粗心大意,导致有些属性值填写时被遗漏
1.4缺失模式
1.4.1、单变量缺失值模式: 指的是数据集中只有一个变量存在缺失数据。
1.4.2、多变量缺失模式: 即数据集是由p个变量、n个样本构成的n×p矩阵,但其中某几个变量的一部分值是观测不到的
1.4.3、单调缺失模式: 若数据集是由p个变量、n 个样本构成的n×p矩阵,当矩阵中的变量 缺失时,则对任意 k>j 的变量 也是缺失的,导致这种缺失数据呈现出阶梯状。这样的缺失模式在固定样本点的调查中是最常见的,即随着时间的推移,固定样本中的一些样本点随着时间推移而逐渐丢失,之后的关于这些样本点的所有数据就都不存在了,所以跟踪调查的缺失数据模式就是单调缺失模式。
1.4.4、一般缺失模式: 若数据的缺失模式呈现出杂乱无章,毫无规律可循的现象,那么这种缺失数据的模式称为数据的一般缺失模式。这是最一般也是最典型的一种数据缺失模式,在抽样调查中是最常见的。
1.4缺失机制
在处理缺失值前了解缺失机制是非常必要的,1976年,Little和Robin把缺失机制划分为随机缺失、完全随机缺失和非完全随机缺失三类。
X c o m X_{com} Xcom表示数据集中不含缺失值的完全变量;
X m i s s X_{miss} Xmiss 表示含有缺失值的变量,
Y = ( y 1 , y 2 , . . . , y n ) Y=(y_1,y_2,...,y_n) Y=(y1,y2