数据分析基础——R语言（处理缺失值）

进行简单的数据处理时，我们处理的基本都是完整的数据集，但是实际问题中我们经常会遇到带有缺失值的数据，处理此类数据也就显得尤为重要。

处理缺失值的一般步骤

首先我们列出处理缺失值的一般步骤，对整个流程有一个大致的了解。

1. 识别缺失数据；
2. 检查导致数据缺失的原因；
3. 删除包含缺失值的实例或用合理的数值插补缺失值。

数据缺失的种类

1. 完全随机缺失（MCAR）
2. 随机缺失（MAR）
3. 非随机缺失（NMAR）

完全随机缺失：若某变量的缺失数据与其他任何观测和未观测变量都不相关，则数据为完全随机缺失。

随机缺失：若某变量上的缺失数据与其他观测变量相关，与他自己的未观测值不相关，则数据为随机缺失。

非随机缺失：若缺失数据不属于上两种则是非随机缺失。

识别缺失值

要想处理缺失值，首先我们就要去识别出来哪些数据是缺失值，R语言中，NA代表缺失值，NaN代表不可能的值，Inf和-Inf代表的是正无穷和负无穷。有对应的函数is.na()、is.nan()、is.infinite()可以分别用来识别缺失值，不可能值以及无穷值，返回的结果是TRUE/FALSE。

要想统计缺失值的个数，我们可以直接通过sum()函数来对TRUE/FALSE进行统计，其中TRUE的逻辑值是1，FALSE的逻辑值为0，同样不可能的值以及无穷值也可以用此方法进行判断。

探究缺失值

对于缺失值，我们只统计他的个数是不可取的，本节中给出探究缺失值的几种方法。

一、图表显示缺失值

我们可以用一个图标的形式去展示缺失值，在R语言中mice包中的md.pttern()函数提供了一个可以生成矩阵来显示缺失值的表格，示例如下：

library(lattice)
library(mice)
data(sleep,package="VIM")
md.pattern(sleep)

得到的图表结果以及图形结果如下：

二、图形展示缺失值

md.pattren()函数已经给我们清晰的列出了每一项的缺失值，但是图形时一种更能够清晰的表达缺失值的一种方法，VIM包中提供了大量的可视化函数，我们来学习一下其中的一些函数。

aggr()函数

library(VIM)
aggr(sleep,prop=FALSE,numbers=TRUE)

matrixplot()函数

matrixplot()

marginplot()函数

marginplot(sleep[c("Gest","Dream")],pch=c(20),col=c("darkgray","red","blue"))

缺失值的处理

一、删除

对于缺失值的处理首先我们先采用第一种最简单的方法——删除缺失值所在的行，R语言中提供了两种删除缺失值的函数，分别是complete.cases()函数和na.omit()函数。

对于删除的处理直接对数据进行使用即可，这里不做演示。

二、多重插补法

多重插补（MI）是一种基于重复模拟的处理缺失值的方法，在面对复杂的缺失值问题时，MI是常选用的方法，它将从一个包含缺失值的数据集中生成一组完整的数据集。本节中我们将使用R中的mice包对数据集进行插补。

mice包中多重插补法的工作流程如下：

 

基于mice包的分析通常要符合以下的过程：

library(mice)
imp <- mice(mydata,m)
fit <- with(imp, analysis)
pooled <- pool(fit)
summary(pooled)

过程说明：

• mydata是一个包含缺失值的矩阵或数据框
• imp是一个包含m个插补数据集的列表对象，同时还含有完成插补过程的信息。默认的m的值为5。
• analysis是一个表达式对象，用来设定应用于m个插补数据集的统计分析方法。
• fit是一个包含m个单独统计分析结果的列表对象。
• pooled是一个包含这m个统计平均分析结果的列表对象。

三、简单插补法

简单插补法，即用某个值（如均值、中位数、众数）来替换变量中的缺失值。注意的一点是，这些替换是随机的，这也就意味着不会引入随机误差。

四、处理缺失值的其他方法

R语言支持其他一些缺失值的处理方法。

软件包	描述
Hmisc	包含多种函数，支持简单插补、多重插补和典型变量插补。
mvnmle	对多元正太分布数据中缺失值的最大似然估计。
cat	对线性模型中多元类别型变量的多重插补。
arrayInpute、Seqknn	处理微阵列缺失数据的实时函数。
longitudinalData	相关的函数列表，比如对时间序列缺失值进行插补的一系列函数。
kmi	处理生存分析缺失值的Kaplan-Meier多重插补。
mix	一般位置模型中混合类别型和连续型数据的多重插补。
pan	多元面板数据或聚类数据的多重插补。