R-数据清洗(附代码,图片)

数据清洗是将原始的数据进行整理和规范，以达到数据分析人员使用要求的数据。这个过程很重要，也很花费时间。现将当前学到的方式总结，欢迎大家互相交流。

1.缺失值处理

在R中，当原始数据中存在缺失值时，该缺失值用NA表示，如下图有一个缺失值。

birth=read.csv("chds_births.csv",header = TRUE)
head(birth)

若某一列数据缺失过多（>30%），那么这一列实际上就已经丢掉了很多关键的信息，可以从数据集中直接去掉这一列。若缺失的不是很多数据，则需要对该列进行填充。

1.1 缺失率计算

1.查看某列缺失情况

#查看某列是否缺失
is.na(birth$gestation)

该函数返回一个BOOL类型的数组，若缺失，则对应位置为TRUE，否则为FALSE.

2.查看数据集缺失情况

#检查数据集内是否含有缺失值
anyNA(birth)

若填充完毕后，想要查看该数据集是否还有缺失值，则该函数可以进行检验。若还有缺失值，则返回TRUE，否则返回FALSE.

3.计算缺失率

#查看缺失率
sapply(birth,f unction(df){sum(is.na(df)/nrow(birth))})

如上图所示，计算了每列的缺失比率。我们发现fht这一列缺失率高达39.8%，这一列原则上可以删除。

4.缺失情况可视化
方法一：

#缺失率可视化
library(Rcpp)
library(Amelia)
missmap(birth,main="missing map")

当然R也提供可视化缺失率的包，在可视化之前需要安装Rcpp包和Amelia包。先安装Rccp包，再安装Amelia包。如上面的代码可见。从