如何理解r語言中的缺失值處理

這期內容當中小編將會給大家帶來有關如何理解r語言中的缺失值處理，文章內容豐富且以專業的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

對缺失值的處理是數據預處理中的重要環節，造成數據缺失的原因有：數據丟失、存儲故障和調查中拒絕透露相關信息。這里我們使用VIM包中的sleep數據集為樣本，介紹缺失值處理的方法。sleep數據集紀錄了62個哺乳動物的睡眠信息，包括體重，睡眠時長，做夢時長等。

• 缺失值分類

1，完全隨機缺失（MCAR）：缺失數據與其他變量無關。如果每個缺失變量都為MCAR，則完整樣本可看為更大數據集的簡單抽樣。

2，隨機缺失（CAR）：缺失數據與其他觀測變量相關，與本身變量不相關。比如體重小的動物Dream數據更容易缺失（較小動物難以觀察），此時選定體重，則Dream缺失為隨機。

3，非隨機缺失（MNAR）：缺失數據不僅依賴于其他變量還依賴于本身變量。比如做夢時間短，Dream容易缺失（可能由于時間短難測量），此時數據缺失為MNAR。

數據缺失一般為前兩種情況，最后一種情況的處理較復雜，要對感興趣的關系進行建模，還要對缺失值的生成機制進行建模，并不斷收集新數據。

• 判斷缺失值

1，is.na()函數。作用于向量、數據框，對應數值為缺失值則返回TRUE，否則返回FALSE。將sum()函數作用于is.na()的結果，可返回缺失值數量。

2，complete.cases()函數，返回邏輯值向量。與is.na()函數相反，缺失值返回FALSE，正常數據返回TRUE，常用來選擇無缺失的數據。

• 判斷缺失模式

  
  

1，列表顯示缺失情況。這里使用mice包中的md.pattern()函數。

2，圖形顯示缺失情況。

（1）aggr()函數

左側圖顯示了每個字段中缺失樣本數量，右側每一行代表了一種缺失模式，紅色代表缺失，藍色代表未缺失，右側表示此模式數量，可與md.pattern()結果對應觀察。

（2）matrixplot()函數

淺色代表值小，深色代表值大，紅色代表缺失。matrixplot()展示了每條樣本的缺失情況。

（3）marginplot()函數，每次只能繪制兩個變量的缺失情況。

如果為MCAR，紅綠箱線圖應該很類似。

3，相關性探索缺失情況。通過生成影子矩陣，用1表示缺失數據，選取有缺失的樣本，計算缺失相關系數矩陣。有助于觀察哪些變量常一起缺失，以及分析變量“缺失”與其他變量間的關系。

• 處理缺失值

  
  

1，如果缺失樣本數少且為隨機出現，可考慮直接刪除缺失樣本。用na.omit(sleep)或者complete.cases(sleep)。如果某一字段的缺失比例達到5%以上，可與考慮刪除此字段。

2，替換缺失值。可以通過均值、中位數、隨機數來替換缺失值，但是會引入偏差。

3，多重插補法。mice包中的mice()函數可以通過插補返回多個完整數據集并存入imp，用with函數對imp進行線性回歸，最后用pool()函數對回歸結果進行匯總。

mice()函數默認生成5個完整數據集。查看插補數據，可用temp$imp，結果為每個數據集（第一行）每個觀測值（第一列）對插補數據。

nmis表示變量中缺失數據個數，fmi表示由缺失數據貢獻對變異。with用來檢驗某數據集是否合格，pool用來檢驗整個方法是否合格，以此判斷選擇哪個數據集。

最后用complete()函數生成完整數據集，這里選擇生成對第一個數據集來對缺失值進行替換。

上述就是小編為大家分享的如何理解r語言中的缺失值處理了，如果剛好有類似的疑惑，不妨參照上述分析進行理解。如果想知道更多相關知識，歡迎關注億速云行業資訊頻道。