R语言：用R语言填补缺失的数据

缺乏数据在分析数据集时可能不是一个微不足道的问题。

若是缺失数据的量相对于数据集的大小很是小，那么为了避免偏离分析而忽略缺乏特征的少数样本多是最好的策略，可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状况下可能很好，但这种简单的方法一般会向数据中引入误差。

在这篇文章中，咱们将使用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，在这种状况下，进一步检查数据收集过程并尝试理解信息丢失的缘由多是明智的。例如，若是调查中的大多数人没有回答某个问题，他们为何这样作？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}

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

其余变量低于5％的阈值，因此咱们能够保留它们。就样本而言，仅缺乏一个特征会致使每一个样本缺失25％的数据。若是可能，应丢弃缺乏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()，能够更好地理解丢失数据的模式

输出结果告诉咱们，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使用下面的VIM包获得

该图有助于咱们理解几乎70％的样本没有遗漏任何信息，22％的人缺乏臭氧值，剩余的样本显示其余遗漏的模式。经过这种方法，我认为状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。

若是咱们假设MCAR数据是正确的，那么咱们预计红色和蓝色方块图很是类似。

输入缺失的数据

如今咱们可使用该complete()函数返回已完成的数据集。

completedData < -  complete（tempData，1）

首先，咱们可使用散点图并将臭氧对全部其余变量进行绘图

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

密度图：

densityplot

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