R语言数据缺失值处理（随机森林，多重插补）

缺失值是指数据由于种种因素导致的数据不完整，可以分为机械原因和人为原因。对于缺失值我们通常采用以下几种方法来进行插补。
1.读取数据
通过read.csv函数导入文档，也可以用其他函数读入，如openxlsx::read.xlsx,read.table等。
head()查看数据前几行。

airquality <- read.csv(data.csv)
head(airquality)

2.检查数据完整性
首先，summary()查看数据基本信息

summary(airairquality)

可以看到Ozone中存在缺失值NA
通过调用VIM::aggr()查看函数的缺失值（如果包安装较慢，可选用本地安装，链接已附需自行下载）

#install.packages(‘VIM’)
library(VIM)
aggr(airquality)

通过上图，可以看到Ozone和Solar.R存在缺失值。

3.缺失值填补
3.1简单处理填补
（1）删除缺失值
若样本中存在较少缺失值或缺失值比例较小不影响分析结果时，可选择直接将缺失值删除。
dat1 <- na.omit(airquality)

（2）平均值、中位数填补
若不能直接将缺失值删除也可选择平均值、众数、中位数等进行填补

#平均值填补
airquality$ Ozone[is.na(airquality$Ozone)] <- mean(airquality $ Ozone,na.rm=T)

#中位数填补

airquality$ Solar.R[is.na(airquality$ Solar.R)] <- median(airquality$ Solar.R,na.rm = T)
#计算缺失值个数，等于0 则不存在缺失值
sum(is.na(airquality))

#相邻均值填补

airquality <- read.csv(data.csv) #重新读入数据
for (i in 1:length(airquality$ Ozone)) {
airquality$ Ozone[i] <- ifelse(is.na(airquality$ Ozone[i]),
mean(c(airquality$ Ozone[i-1],airquality$ Ozone[i+1]),na.rm=T),
airquality$ Ozone[i])
}

3.2复杂处理填补
（1）K-近邻算法填补
基本思想：对于需要填补的观测值，先利用欧氏距离找到其邻近的K个观测，再将这K个邻近的值进行加权平均进行填补。

原始数据中存在多个缺失值，可以利用DMwR包中的knnImputation()函数进行填补

dat1 <- knnImputation(airquality[,c(1:4)],meth = ‘weighAvg’,scale = T)

提取原始数据中的前4列进行填补，meth = 'weighAvg’指使用加权平均的方法进行填补，scale = T指在选取邻近值时，先对数据进行标准化。

aggr(dat1) #查看缺失值分布

（2）随机森林填补缺失值
接下来介绍一个新的填补方法–随机森林填补，随机森林是机器学习中一种常见的方法，以决策树为基分类的器的集成学习模型。
missForest包中missForest()函数可实现随机森林填补，ntree代表模型中的树的棵数，一般情况下，对于高维数据可选择较小的值（如100），以达到快速插补的效果；对于大数据集进行填补时，可能耗时比较多。

library(missForest)
dat2 <- missForest(airquality,ntree = 100)

dat2中包含填补好的数据，可利用dat2$ximp查看填补后的值，

head(dat2$ximp)

aggr(dat2$ximp)

同时，OOBerror表示袋外填补缺失的误差估计。

dat2$OOBerror

3.多重插补法
多重插补法是在一个缺失的数据集中生成一个完整的数据集，并利用蒙特卡洛的方法进行填补的一种重复模拟的方法。
包mice中的mice()函数可实现对缺失数据的多重插补，原数据集中Ozone和Solar.R变量存在缺失,采用‘rf’法插补。

dat3 <- mice(airquality,m=5,method = ‘rf’)

其中，m为生成完整数据集的个数，默认为5. method为插补参数的方法，‘norm.predict’、‘pmm’、‘rf’、‘norm’依次为回归预测法、平均值插补法、随机森林法和高斯线性回归法。

summary(dat3)

通过以下代码可查看填补的值

dat3$ imp$Solar.R

最后选择某一列（如1,2,3）填充到缺失数据集中即可形成完整的数据集.