缺失数据处理（R实现）

转载自https://www.cnblogs.com/GhostBear/p/8416897.html

#####缺失值判断以及处理#####

#举例1：向量类型判断缺失值is.na和缺失值的填补which

(x<-c(1,2,3,NA))

is.na(x)  #返回一个逻辑向量，TRUE为缺失值，FALSE为非缺失值

table(is.na(x))  #统计分类个数

sum(x)  #当向量存在缺失值的时候统计结果也是缺失值

sum(x,na.rm = TRUE)  #很多函数里都有na.rm=TRUE参数，此参数可以在运算时移除缺失值

(x[which(is.na(x))]<-0)  #可以用which()函数代替缺失值，which()函数返回符合条件的响应位置

 

#举例2：数据框类型判断缺失值is.na、缺失值的填补which、缺失值所在行的删除na.omit

(test<-data.frame(x=c(1,2,3,4,NA),y=c(6,7,NA,8,9)))

is.na(test)  #test中空值的判断

which(is.na(test),arr.ind = T)  #arr.ind=T可以返回缺失值的相应行列坐标

test[which(is.na(test),arr.ind = T)]<-0 #结合which进行缺失替代

(test_omit<-na.omit(data.frame(x=c(1,2,3,4,NA),y=c(6,7,NA,8,9))))  #na.omit函数可以直接删除值所在的行

 

#举例3：识别缺失值的基本语法汇总

str(airquality)

complete.cases(airquality)  #判断个案是否有缺失值

airquality[complete.cases(airquality),]  #列出没有缺失值的行

nrow(airquality[complete.cases(airquality),])  #计算没有缺失值的样本量

 

airquality[!complete.cases(airquality),]  #列出有缺失的值的行

nrow(airquality[!complete.cases(airquality),])  #计算有缺失值的样本量

 

is.na(airquality$Ozone)  #TRUE为缺失值，FALSE为非缺失值

table(is.na(airquality$Ozone))

complete.cases(airquality$Ozone)  #FALSE为缺失值，TRUE为非缺失值

table(complete.cases(airquality$Ozone))

 

#可用sum()和mean()函数来获取关于缺失数据的有用信息

sum(is.na(airquality$Ozone))  #查看缺失值的个数

sum(complete.cases(airquality$Ozone))  #查看没有缺失值的个数

mean(is.na(airquality$Ozone))  #查看缺失值的占比

mean(is.na(airquality))  #查看数据集airquality中样本有缺失值的占比

 

#举例4：探索缺失值模式

#列表缺失值探索

library(mice)

md.pattern(airquality)

 

#图形缺失值探索

library(VIM)

aggr(airquality,prop=FALSE,number=TRUE)

aggr(airquality,prop=TRUE,number=TRUE) #生成相同的图形，但用比例代替了计数

aggr(airquality,prop=FALSE,number=FALSE)  #选项numbers = FALSE（默认）删去数值型标签

 

#举例5：删除缺失值

airquality[complete.cases(airquality),] #方法一：删除缺失值行

na.omit(airquality) #方法二：删除缺失值的行

 

#举例6：缺失值回归模型插补

newnhanes2<-nhanes2

sub<-which(is.na(newnhanes2[,4]))  #返回newnhanes2数据集中第4列NA的行标识

datatr<-newnhanes2[-sub,]  #方法一：将第4列不为NA的数存入数据集datatr中

datatr<-newnhanes2[complete.cases(newnhanes2[,4]),]  #方法二：将第4列不为NA的数存入数据集datatr中

datate<-newnhanes2[sub,]  #方法一：将第4列为NA的数存入数据集datate中

datate<-newnhanes2[is.na(newnhanes2[,4]),]  #方法二：将第4列为NA的数存入数据集datate中

fit<-lm(chl~age,data = datatr)  #利用datatr中age为自变量，chl为因变量构建线性回归模型lm

newnhanes2[sub,4]<-round(predict(fit,datate))  #利用datate中数据按照模型fit对nhanes2中chl中的缺失数据进行预测

 

#举例7：缺失值随机森林插补

library(missForest)

z<-missForest(airquality)  #用随机森林迭代弥补缺失值

air.full<-z$ximp

zz<-missForest(nhanes2)

nhanes2.full<-zz$ximp

 

#举例8：线性回归模型插补

mice::md.pattern(airquality)

index1<-is.na(airquality$Ozone) #对Ozone变量进行缺失值处理

dput(colnames(airquality))  #求出变量列名称

Ozone_train<-airquality[!index1,c("Ozone", "Wind", "Temp", "Month", "Day")] #训练集，需注意什么时候用!,什么时候用-

Ozone_test<-airquality[index1,c("Ozone", "Wind", "Temp", "Month", "Day")] #测试集

fit<-lm(Ozone~.,data = Ozone_train) #建立线性回归模型

summary(fit)

airquality[index1,"Ozone"]<-predict(fit,newdata =Ozone_test )

 

index2<-is.na(airquality$Solar.R)  #Solar.R变量进行缺失值处理,Ozone变量数据已补齐

Solar.R_train<-airquality[!index2,]  #训练集

Solar.R_test<-airquality[index2,]  #测试集

Solar.R_fit<-lm(Solar.R~.,data = Solar.R_train)

summary(Solar.R_fit)

airquality[index2,"Solar.R"]<-predict(Solar.R_fit,newdata = Solar.R_test)

mice::md.pattern(airquality)

 

#knn和bag缺失值插补(利用caret包中的preProcess函数，method参数有多种方式可选)

question<-read.csv("问卷调研数据.csv")

question<-question[,-1]

str(question)

for(i in 1:ncol(question)){

  question[,i]<-as.factor(question[,i])

}  #批量修改为因子类型

str(question)

 

#举例9：利用KNN算法进行缺失值插补(只能对数值型变量处理)

question<-read.csv("问卷调研数据.csv")

question<-question[,-1]

mice::md.pattern(question)  #列表缺失值探索

library(caret)

knn.model<-preProcess(question,method = "knnImpute") #KNN处理数值型数据(欧式距离),不能处理因子型数据

question1<-predict(knn.model,newdata = question)

install.packages("RANN")

mice::md.pattern(question1)

table(question1$性别)  #不是之前的1和2了

table(question$性别)

#最后结果：knn不适合处理该数据，需要做哑变量处理，再套模型

 

#举例10：利用袋装算法进行缺失值插补(只能对数值型变量处理)

question<-read.csv("问卷调研数据.csv")

question<-question[,-1]  

mice::md.pattern(question) #列表缺失值探索

library(caret)

bag.model<-preProcess(question,method = "bagImpute") #bag算法模型建立

install.packages("ipred")

question2<-predict(bag.model,question) #预测结果

mice::md.pattern(question2)  #列表缺失值探索

table(question2$性别)

#最后结果：bag算法不适合处理该数据