R語言：用R語言填補缺失的數據

缺乏數據在分析數據集時可能不是一個微不足道的問題。

若是缺失數據的量相對於數據集的大小很是小，那麼爲了避免偏離分析而忽略缺乏特徵的少數樣本多是最好的策略，可是留下可用的數據點會剝奪某些數據的特徵。

儘管某些快速修正如均值替代在某些狀況下可能很好，但這種簡單的方法一般會向數據中引入誤差。

在這篇文章中，咱們將使用airquality數據集（在R中提供）來推測缺失值。

爲了本文的目的，我將從數據集中刪除一些數據點。

快速分類缺失數據

有兩種類型的缺失數據：

MCAR：隨意丟失。

MNAR：不是隨意丟失的。隨機數據丟失是一個更嚴重的問題，在這種狀況下，進一步檢查數據收集過程並嘗試理解信息丟失的緣由多是明智的。例如，若是調查中的大多數人沒有回答某個問題，他們爲何這樣作？這個問題不清楚嗎？

假設數據是MCAR，太多丟失的數據也可能成爲一個問題。

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

咱們發現臭氧幾乎失去了25％的數據點，所以咱們可能會考慮將其從分析中刪除或收集更多的測量數據。

其餘變量低於5％的閾值，因此咱們能夠保留它們。就樣本而言，僅缺乏一個特徵會致使每一個樣本缺失25％的數據。若是可能，應丟棄缺乏2個或更多特徵（> 50％）的樣本。

查看缺失的數據模式

該mice軟件包提供了一個很好的功能md.pattern()，能夠更好地理解丟失數據的模式

輸出結果告訴咱們，104個樣本是完整的，34個樣本只錯過臭氧測量，4個樣本只錯過了Solar.R值，等等。

一個可能更有用的視覺表示可使用下面的VIM包獲得

該圖有助於咱們理解幾乎70％的樣本沒有遺漏任何信息，22％的人缺乏臭氧值，剩餘的樣本顯示其餘遺漏的模式。經過這種方法，我認爲狀況看起來更清楚一些。

marginplot

左邊的紅色方塊圖顯示Solar.R的分佈與臭氧缺失，而藍色方塊圖顯示剩餘數據點的分佈。

若是咱們假設MCAR數據是正確的，那麼咱們預計紅色和藍色方塊圖很是類似。

輸入缺失的數據

如今咱們可使用該complete()函數返回已完成的數據集。

completedData < -  complete（tempData，1）

首先，咱們可使用散點圖並將臭氧對全部其餘變量進行繪圖

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

密度圖：

densityplot

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