《R语言数据挖掘：实用项目解析》——1.13 缺失值（NA）的处理

本节书摘来自华章计算机《r语言数据挖掘：实用项目解析》一书中的第1章，第1.13节，作者［印度］普拉迪帕塔·米什拉（pradeepta mishra），译 黄芸，更多章节内容可以访问云栖社区“华章计算机”公众号查看。

缺失值处理在标准数据挖掘场景中是一个重要的任务。在r语言中，缺失值显示为na。na既不是字符串也不是数值型变量，它们被当作缺失值的标识。在将数据集导入r语言平台之后，必须检查所有变量，看是否存在缺失值——可使用is.na()函数。示例如下：

在上面的代码中，对象x是一个数值型向量，其中包含了一些na值。is.na()可用于验证是否存在缺失值，如存在，则输出结果为true。如果在存在na值的情况下做计算，最终会出错或者无结果。我们可以通过修改na值来替换数据集，或者可以在执行计算时移除那些na值。如上面的代码所示，在计算对象x的平均值时通过na.rm=true移除na值。

可以使用na.omit()删除数据集中的缺失值。即使数据集只缺失了一个变量，它也会删除那一整行。缺失值的处理方法有很多种：

平均值替换：对于数据向量中的缺失值，可以用该向量的平均值或中位数替代（不包括na值）。

局部平均法：取缺失值的局部平均值，通过3或5个周期移动取平均，即取3个周期的缺失数据的平均值作为先验值，根据后验值可确定缺失值应该是多少。

分隔保留：有时替换法无法完成，客户也许会有意将缺失值分隔保留下来，从而隔离地考虑缺失行为。

基于模型：有一些基于模型的缺失值替换法，例如基于回归模型预测缺失值的方法。

聚类法：可使用和回归预测相类似的方法来替换缺失值，可以采用k均值聚类法替换数据集中的缺失值。