R在数据科学中的应用，第2版

第 18 章 缺失值

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

导言

在本书的前半部分你已经了解了缺失值的基本知识。在第 1 章中，我们第一次看到了缺失值，在绘制曲线图时，缺失值会发出警告；在" summarize() "中，缺失值会干扰汇总统计量的计算；在"缺失值 "中，我们了解了缺失值的传染性以及如何检查缺失值的存在。现在，我们将更深入地讨论它们，让你了解更多细节。

首先，我们将讨论一些用于处理记录为NAs 的缺失值的通用工具。然后，我们将探讨隐性缺失值的概念，即数据中根本不存在的值，并展示一些可以用来使其显性化的工具。最后，我们将对数据中未出现的因子水平所导致的空组进行相关讨论。

先决条件

处理缺失数据的函数主要来自 dplyr 和 tidyr，它们是 tidyverse 的核心成员。

library(tidyverse)

明确的缺失值

首先，让我们来探索几种方便的工具，用于创建或消除缺失的显式值，即看到NA 的单元格。

转入的最后一个观测点

缺失值的一个常见用途是方便数据录入。手工输入数据时，缺失值有时表示前一行的值被重复（或结转）：

treatment <- tribble(
  ~person,           ~treatment, ~response,
  "Derrick Whitmore", 1,         7,
  NA,                 2,         10,
  NA,                 3,         NA,
  "Katherine Burke",  1,         4
)

您可以用 tidyr::fill().其工作原理如下 select()，取一组列：

treatment |>
  fill(everything())
#> # A tibble: 4 × 3
#>   person           treatment response
#>   <chr>                <dbl>    <dbl>
#> 1 Derrick Whitmore         1        7
#> 2 Derrick Whitmore         2       10
#> 3 Derrick Whitmore         3       10
#> 4 Katherine Burke          1        4

这种处理方法有时被称为 "最后观测值结转"，简称locf。您可以使用.direction 参数来填补以更特殊方式生成的缺失值。

固定值

有时，缺失值代表一些固定的已知值，最常见的是 0。 dplyr::coalesce()来替换它们：

x <- c(1, 4, 5, 7, NA)
coalesce(x, 0)
#> [1] 1 4 5 7 0

有时您会遇到相反的问题，即某些具体值实际上代表了缺失值。这种情况通常出现在旧版软件生成的数据中，这些软件没有正确的方法来表示缺失值，因此必须使用一些特殊值，如 99 或 -999。

如果可能，可在读入数据时处理这个问题，例如使用na 的参数来处理。 readr::read_csv()的参数，如read_csv(path, na = "99") 。如果您后来发现了这个问题，或者您的数据源没有提供在读取时处理这个问题的方法，您可以使用 dplyr::na_if():

x <- c(1, 4, 5, 7, -99)
na_if(x, -99)
#> [1]  1  4  5  7 NA

无

在我们继续之前，有一种特殊的缺失值你会经常遇到：NaN （读作 "nan"），或者说不是数字。知道这一点并不重要，因为它的行为通常与NA 相同：

x <- c(NA, NaN)
x * 10
#> [1]  NA NaN
x == 1
#> [1] ...