取datatable某一列的值_R-缺失值识别与处理

缺失值是我们进行批量数据处理中常常遇到的一个问题，比如研究中常常遇到指标缺失，需要对缺失进行统计，然后进一步判断，是丢弃这些变量呢（丢弃一般不太好），还是对数据进行替换，插补等操作后进行建模。下面讲一下R中的缺失值的识别与处理：

0、缺失值定义

缺失值从数据分布上可被分为三类 ：完全随机缺失（MCAR）, 随机缺失（MAR）, 非随机缺失（NMAR）。

• 完全随机缺失（MCAR）：若某变量的缺失数据与其他任何观测或未观测变量都不相关
• 随机缺失（MAR）：若某变量上的缺失数据与其他观测变量相关，与它自己的未观测值不相关
• 非随机缺失（NMAR）：某一变量的缺失和该变量本身的数值相关；或者若缺失数据不属于MCAR或MAR，则数据为非随机缺失。如，仪器的最低检测线：某被检测物质的含量低于该检测线则会产生非随机缺失(left-censored missing)；做梦时长越短的动物也更可能有做梦数据的缺失（可能由于难以测量时长较短的事件）, 那么数据可认为是NMAR。

目前大部分填补缺失值的方法都是基于MCAR和MAR，对于这些数据，可以忽略缺失数据的生成机制，并且（在替换或删除缺失数据后）可以直接对感兴趣的关系进行建模。当数据是NMAR时，想对它进行恰当地分析比较困难，你既要对感兴趣的关系进行建模，还要对缺失值的生成机制进行建模。（目前分析NMAR数据的方法有模型选择法和模式混合法。由于NMAR数据的分析十分复杂，我们将忽略对它的讨论。）

1、识别缺失值

a <- c(1,2,3,4)
b <- c(6,7,8,NA)
m <- cbind(a,b)
m

# m
#     a  b
#[1,] 1  6
#[2,] 2  7
#[3,] 3  8
#[4,] 4 NA

• 1.1 对NA进行统计，可以用sum函数和is.na连用；或用colSums函数

> sum(is.na(m))
[1] 1
#或者对行和列分别进行统计，注意colSums和rowSums是中间的大写
> colSums(is.na(m))
a b 
0 1 
> rowSums(is.na(m))
[1] 0 0 0 1

• 或者可以用summary函数

• 可以用sapply函数，sapply(m, function(x) sum(is.na(x)))

• 1.2 用Hmisc包中的describe()

> library(Hmisc)
> Hmisc::describe(m)
m 

 2  Variables      4  Observations
--------------------------------------------------------------------------------------------------
a 
       n  missing distinct     Info     Mean      Gmd 
       4        0        4        1      2.5    1.667 
                              
Value         1    2    3    4
Frequency     1    1    1    1
Proportion 0.25 0.25 0.25 0.25
--------------------------------------------------------------------------------------------------
b 
       n  missing distinct     Info     Mean      Gmd 
       3        1        3        1        7    1.333 
                            
Value          6     7     8
Frequency      1     1     1
Proportion 0.333 0.333 0.333
--------------------------------------------------------------------------------------------------

• 1.3 用psych包中的describe()计算缺失值（效果较好）

psych::describe(m)
  vars n mean   sd median trimmed  mad min max range skew kurtosis   se
a    1 4  2.5 1.29    2.5     2.5 1.48   1   4     3    0    -2.08 0.65
b    2 3  7.0 1.00    7.0     7.0 1.48   6   8     2    0    -2.33 0.58

• 1.4 mice包中的mice包中的md.pattern()函数。会出现一个二维的表格，以及对应的图（如果数据较多，作图可能会慢一些）

#从这开始以diabetes数据集为例,包含在VIM包中
library(VIM)
library(mice)
data('diabetes')
d <- diabetes

diabetes数据集

查看缺失值个数

md.pattern(d)

• 1.5 library（VIM）的aggr函数画图

library(VIM)
aggr(d)
#代码aggr(sleep, prop = TRUE, numbers = TRUE)将生成相同的图形，但用比例代替了计数。选项numbers = FALSE（默认）删去数值型标签。

• 或者也可以使用VIM包的matrixplot函数

> matrixplot(d)

#或者用VIM 包的marginplot ，注意，这个图只适用于对两个变量作图
marginplot(m)

• 1.6 可以用Amelia包中的missmap函数（这个函数对大量的数据，效果会好一些，运行速度相对较快；格式必须是data.frame输入，matrix不行）

library(Amelia)
m <- as.data.frame(d)
missmap(d, col = c("white", "lightblue"))

2、定位和去除缺失值

2.1 行删除

• 最简单的方法就是is.na()，返回的是ture和false，然后就可以定位缺失值

r <- is.na(d)

is.na返回的结果

• 根据某一列来选择

d1 <- d[!r$BloodPressure, ]
#选择BloodPressure不是NA的行

可以看到，这样用false的反面（true）选择了733行，含有NA的35行被丢弃

• 同样可以使用na.omit函数（去除所有含缺失值的行）

可以看到na.omit去除了所有含缺失值的行

• 或者用complete.case函数

2.2 80%规则。在代谢组学中，有一个80%规则，少于80%的variable应当去除。

 rowSums(is.na(d))/ncol(d) #计算缺失值的比例

r1 <- rowSums(is.na(d))/ncol(d) >= 0.2
#r1是缺失值大于0.2的行
d5 <- d[!r1, ]
#取子集

3、缺失值填补(包括单变量填补和多变量填补)

单变量填补（即单一变量，如0，均值，中位数，众数等等）

简单插补的一个优点是，解决“缺失值问题”时不会减少分析过程中可用的样本量。虽然简单插补用法很简单，但是对于非MCAR的数据会产生有偏的结果。若缺失数据的数目非常大，那么简单插补很可能会低估标准差、曲解变量间的相关性，并会生成不正确的统计检验的p值。与成对删除一样，我建议在解决缺失数据的问题时尽量避免使用该方法。
from 《R语言实战》

• 3.1 使用固定值，如0，进行填补, 用R编写一个函数，然后用apply或者sapply进行遍历

fix(m)#修改m，修改后如下：
> m
  a  b
1 1 10
2 3  1
3 3  8
4 9 NA
#def function
fun1 <- function(x) {
     x[is.na(x)] <- 0
     x
}
> sapply(m, fun1)
     a  b
[1,] 1 10
[2,] 3  1
[3,] 3  8
[4,] 9  0

• 或者直接用is.na进行0的赋值

m[is.na(m)] <- 0
#############
m
  a  b
1 1 10
2 3  1
3 3  8
4 9  0

• 3.2 使用均值、中位数填补，同样：

#mean
fun2 <- function(x) {
    x[is.na(x)] <- mean(x, na.rm = TRUE)
    x
}
sapply(m, fun2)
     a         b
[1,] 1 10.000000
[2,] 3  1.000000
[3,] 3  8.000000
[4,] 9  6.333333
#median
fun3 <- function(x) {
    x[is.na(x)] <- median(x, na.rm = TRUE)
    x
}
sapply(m, fun3)
     a  b
[1,] 1 10
[2,] 3  1
[3,] 3  8
[4,] 9  8

多变量填补：如随机森林（RF），奇异值分解（SVD），k最近邻（kNN）和左删失数据的分位数回归插补（QRILC）等

• 3.3 其它赋值方式，如随机森林（RF），奇异值分解（SVD），k最近邻（kNN）和左删失数据的分位数回归插补（QRILC）等，这些方法由于时间原因，留待以后进行实现。
• 可参考：R语言之缺失值和异常值处理

• 我觉得下面一张图能够很好的总结我上面讨论的，缺失值识别的一系列问题，以及相对应的解决方法：

from 《R语言实战》

Reference：

1. 数据预处理中的缺失值问题
2. Wei, R. , Wang, J. , Su, M. , Jia, E. , Chen, S. , & Chen, T. , et al. (2018). Missing value imputation approach for mass spectrometry-based metabolomics data.Scientific Reports,8(1), 663.
3. Bijlsma, S. , Bobeldijk, I. , Verheij, E. R. , Ramaker, R. , Kochhar, S. , & Macdonald, I. A. , et al. (2006). Large-scale human metabolomics studies:? a strategy for data (pre-) processing and validation.Analytical Chemistry,78(2), 567-574.
4. RobertI.Kabacoff, 卡巴科弗, 陈钢, 肖楠, & 高涛. (2013). R语言实战.