《R語言資料挖掘：實用項目解析》——1.13 缺失值（NA）的處理

本節書摘來自華章計算機《r語言資料挖掘：實用項目解析》一書中的第1章，第1.13節，作者［印度］普拉迪帕塔·米什拉（pradeepta mishra），譯 黃芸，更多章節内容可以通路雲栖社群“華章計算機”公衆号檢視。

缺失值處理在标準資料挖掘場景中是一個重要的任務。在r語言中，缺失值顯示為na。na既不是字元串也不是數值型變量，它們被當作缺失值的辨別。在将資料集導入r語言平台之後，必須檢查所有變量，看是否存在缺失值——可使用is.na()函數。示例如下：

在上面的代碼中，對象x是一個數值型向量，其中包含了一些na值。is.na()可用于驗證是否存在缺失值，如存在，則輸出結果為true。如果在存在na值的情況下做計算，最終會出錯或者無結果。我們可以通過修改na值來替換資料集，或者可以在執行計算時移除那些na值。如上面的代碼所示，在計算對象x的平均值時通過na.rm=true移除na值。

可以使用na.omit()删除資料集中的缺失值。即使資料集隻缺失了一個變量，它也會删除那一整行。缺失值的處理方法有很多種：

平均值替換：對于資料向量中的缺失值，可以用該向量的平均值或中位數替代（不包括na值）。

局部平均法：取缺失值的局部平均值，通過3或5個周期移動取平均，即取3個周期的缺失資料的平均值作為先驗值，根據後驗值可确定缺失值應該是多少。

分隔保留：有時替換法無法完成，客戶也許會有意将缺失值分隔保留下來，進而隔離地考慮缺失行為。

基于模型：有一些基于模型的缺失值替換法，例如基于回歸模型預測缺失值的方法。

聚類法：可使用和回歸預測相類似的方法來替換缺失值，可以采用k均值聚類法替換資料集中的缺失值。