R语言中缺失值的处理

目录

一.寻找缺失值

1.complete.cases()

2.manyNAs

二.缺失值的处理

1.直接删除

2.填补缺失值

---

一.寻找缺失值

1.complete.cases()

#会展现缺失值
algae[!complete.cases(algae),]

2.manyNAs

> manyNAs(algae)
[1] 62 199
#表示第62条和第199条都有很多缺失值

>manyNAs(algae,0.2)
#如果这条记录超过所有记录的20%,那么就把他记录下来

二.缺失值的处理

1.直接删除

（1）na.omit()

x<-algae
y<-na.omit(x)

（2）删除缺失值较多的记录

> manyNAs(algae)
[1] 62 199
x<-algae[-c(62,199),]

2.填补缺失值

(1)根据相关关系填补缺失值

col(algae[,4:18],use="complete.obs")
可以得到第4个数据到第18个数据的相关关系


symnum(cor(algae[,4:18],use="complete.obs"))
x<-algae[[-manyNAs(algae),]
#相关性最高的两个参数
lm(pO4~oPo4,data=x)

PO4=42.897+1.293*oPO4 

#如果PO4为缺失值，可以根据此公式进行填补，那么就可以保证一定的精确性，因为两个参数的相关性较高

 

（2）根据相似性填补缺失值

# 创建一个包含完整样本的数据框
df <- data.frame(
  x = c(1, 2, 3, 4, 5),
  y = c(2, 4, 5, 6, 7),
  z = c(1, 3, 2, 4, 5)
)

# 创建含有缺失值的数据框
missing_sample <- data.frame(
  x = NA,
  y = NA,
  z = NA
)

# 欧氏距离计算函数
euclidean_distance <- function(a, b) {
  sqrt(sum((a - b)^2, na.rm = TRUE))
}

# 计算欧氏距离
distances <- apply(df, 1, function(row) euclidean_distance(row, missing_sample))

# 找到最相似的完整样本
most_similar_index <- which.min(distances)
most_similar_sample <- df[most_similar_index, ]

# 输出结果
print(most_similar_sample)

(3)使用knnImputation()

• data：要进行插补的数据，可以是一个矩阵、数据框或时间序列对象。
• k：KNN插补的K值，即最近邻居的数量。默认值为5。
• distance：用于计算相似性的距离度量方法。可以是欧氏距离（"euclidean"）或曼哈顿距离（"manhattan"）。默认值为"euclidean"。
• weights：指定是否使用加权平均值进行插补。默认为FALSE，表示不使用加权平均值。
• missing_neighbors：用于插补的最近邻居的数量。默认为NULL，表示根据给定的K值自动选择最近邻居。
• normalize：指定是否对数据进行归一化处理。默认为TRUE，表示对数据进行归一化。
• k_iter：指定迭代次数，当填补结果包含缺失值时可以继续迭代填补。默认为1，表示只进行一次迭代。

library(imputeTS)

# 创建具有缺失值的数据框
df <- data.frame(
  x = c(1, 2, NA, 4, 5),
  y = c(2, 4, 5, NA, 7),
  z = c(1, NA, 2, 4, 5)
)

# 使用默认参数调用knnImputation函数
df_imputed <- knnImputation(df)

# 打印结果
print(df_imputed)