R语言：用R语言填补缺失的数据

缺少数据在分析数据集时可能不是一个微不足道的问题。

如果缺失数据的量相对于数据集的大小非常小，那么为了不偏离分析而忽略缺少特征的少数样本可能是最好的策略，但是留下可用的数据点会剥夺某些数据的特征。

尽管某些快速修正如均值替代在某些情况下可能很好，但这种简单的方法通常会向数据中引入偏差。

在这篇文章中，我们将使用airquality数据集（在R中提供）来推测缺失值。

为了本文的目的，我将从数据集中删除一些数据点。

快速分类缺失数据

有两种类型的缺失数据：

MCAR：随意丢失。

MNAR：不是随意丢失的。随机数据丢失是一个更严重的问题，在这种情况下，进一步检查数据收集过程并尝试理解信息丢失的原因可能是明智的。例如，如果调查中的大多数人没有回答某个问题，他们为什么这样做？这个问题不清楚吗？

假设数据是MCAR，太多丢失的数据也可能成为一个问题。

pMiss < -  function（x）{sum（is.na（x））/ length（x）* 100}

我们发现臭氧几乎失去了25％的数据点，因此我们可能会考虑将其从分析中删除或收集更多的测量数据。

其他变量低于5％的阈值，所以我们可以保留它们。就样本而言，仅缺少一个特征会导致每个样本缺失25％的数据。如果可能，应丢弃缺少2个或更多特征（> 50％）的样本。

查看缺失的数据模式

该mice软件包提供了一个很好的功能md.pattern()，可以更好地理解丢失数据的模式

输出结果告诉我们，104个样本是完整的，34个样本只错过臭氧测量，4个样本只错过了Solar.R值，等等。

一个可能更有用的视觉表示可以使用下面的VIM包得到

该图有助于我们理解几乎70％的样本没有遗漏任何信息，22％的人缺少臭氧值，剩余的样本显示其他遗漏的模式。通过这种方法，我认为情况看起来更清楚一些。

marginplot

左边的红色方块图显示Solar.R的分布与臭氧缺失，而蓝色方块图显示剩余数据点的分布。

如果我们假设MCAR数据是正确的，那么我们预计红色和蓝色方块图非常相似。

输入缺失的数据

现在我们可以使用该complete()函数返回已完成的数据集。

completedData < -  complete（tempData，1）

首先，我们可以使用散点图并将臭氧对所有其他变量进行绘图

xyplot（tempData，Ozone_Wind + Temp + Solar.R，pch = 18，cex = 1）

密度图：

densityplot

stripplot（tempData，pch = 20，cex = 1.2）