缺失数据简介

在 R 中处理缺失数据

Nicholas Tierney

Statistician

简介

处理缺失数据的最佳方法是不要有缺失。

——Gertrude Mary Cox

• 处理真实世界数据 = 处理缺失数据

• 缺失数据会对分析产生意外影响

• 不当插补会带来偏差估计与错误决策

学习内容

• 什么是缺失值
• 如何发现缺失数据
• 如何整理与清洗缺失数据
• 探究数据为何缺失
• 插补缺失值

预备知识

• 具备 R 的基础到中级经验
• 具备使用 ggplot2 作图的经验
• 具备使用 dplyr 操作与重排数据的经验
• 具备在 R 中拟合线性模型的经验

什么是缺失值？

缺失值是本应被记录却未被记录的值。

NA = 不可用（Not Available）。

如何检查是否存在缺失值？

x <- c(1, NA, 3, NA, NA, 5)

any_na(x)

TRUE

are_na(x)

FALSE  TRUE FALSE  TRUE  TRUE FALSE

n_miss(x)

3

prop_miss(x)

0.5

处理缺失数据

NA + 任何值 = NA

heights

Sophie    Dan   Fred 
   165    177     NA

sum(heights)

NA

缺失数据的陷阱

NaN：不是数值（Not a Number）。

any_na(NaN)

TRUE

any_na(NULL)

FALSE

any_na(Inf)

FALSE

缺失数据的陷阱（2）

NA | TRUE

TRUE

NA | FALSE

NA

NA + NaN

NA

NaN + NA

NaN

让我们练习！

在 R 中处理缺失数据