【免责声明:用于教学资料整理】
目录:
一. 直接删除法
二. 用均值/中位数/众数填补
三. 探索变量的相关性插补
四. 探索样本的相似性填补
五. 分类树与回归树预测法插补(rpart包)
六. 多重插补法(mice包)
正文:
一、直接删除法
即直接删除含有缺失值的样本,有时最为简单有效,但前提是缺失数据的比例较少,且缺失数据是随机出现的,这样删除缺失数据后对分析结果影响不大。
1. 向量删除缺失值
x<-c(1,2,3,NA,5)
mean(x) #默认不忽略NA值或NaN值,注意与NULL的区别
[1] NA
mean(x,na.rm=TRUE) #忽略缺失值
[1] 2.75
x1<-x[!is.na(x)] #去掉向量中的NA值
x1
[1] 1 2 3 5
x2<-na.omit(x) #返回去掉NA值的向量
x2
[1] 1 2 3 5
attr(,"na.action")
[1] 4
attr(,"class")
[1] "omit"
na.fail(x) #若向量有NA值,则返回Error
Error in na.fail.default(x) : 对象里有遺漏值
na.fail(x1) #若向量不含NA值,则返回该向量
[1] 1 2 3 5
attr(na.omit(x),"na.action") #返回向量中NA值的下标
[1] 4
attr(,"class")
[1] "omit"
x[is.na(x)]<-0 #将向量x中的NA值替换为0
x
[1] 1 2 3 0 5
2. 删除含缺失值的样本数据
用DMwR包实现。
library(DMwR) #用自带数据集algae,18个变量,200个观测值
library(VIM)
sum(!complete.cases(algae)) #查看含有缺失值的样本个数
[1] 16
algae1<-na.omit(algae) #直接删除所有含缺失值的样本
sum(!complete.cases(algae1))
[1] 0
#只删除缺失值过多的样本:缺失值个数大于列数的20%
algae2<-algae[-manyNAs(algae,0.2),] #数据框的“删除行”操作
sum(!complete.cases(algae2))
[1] 14
其中,函数manyNAs(x, nORp)用来查找数据框x中缺失值过多(≥缺失比例nORp)的行;nORp默认为0.2,即缺失值个数≥列数的20%
注:当删除缺失数据会改变数据结构时,通过对完整数据按照不同的权重进行加权,可以降低删除缺失数据带来的偏差。
3. 删除变量
若数据的某变量(列)有较多的缺失值且对研究目标影响不大时,可以将整列删除,这需要在变量的重要性和观测的数量之间做权衡。
4. 做统计分析时排除缺失值
例如,做线性回归时,设置na.action=na.omit即可:
lm(medv~ptratio+rad, data=BostonHousing,na.action=na.omit)
二、用均值/中位数/众数填补
其优点在于不会减少样本信息,处理简单;其缺点在于当缺失数据不是随机出现时会产成偏误。若某自变量对因变量的影响比较小,那么这种粗略的估计是可以接受的,且有可能会产生令人满意的结果。
使用mlbench包中的BostonHousing数据集作为演示数据。由于BostonHousing数据集没有缺失值,为了演示需要,在数据集中随机插入缺失值。通过这种方法,不仅可以评估由数据缺失带来的精度损失,也可以比较不同处理方式的效果好坏。
#初始化数据集
library(mlbench)
data("BostonHousing",package="mlbench")
treated<-BostonHous