R語言處理缺失數(shù)據(jù)的高級方法

主要用到VIM和mice包

install.packages(c("VIM","mice"))

1.處理缺失值的步驟

步驟：

（1）識別缺失數(shù)據(jù)；

（2）檢查導(dǎo)致數(shù)據(jù)缺失的原因；

（3）刪除包含缺失值的實(shí)例或用合理的數(shù)值代替（插補(bǔ)）缺失值

缺失值數(shù)據(jù)的分類：

（1）完全隨機(jī)缺失：若某變量的缺失數(shù)據(jù)與其他任何觀測或未觀測變量都不相關(guān)，則數(shù)據(jù)為完全隨機(jī)缺失（MCAR）。

（2）隨機(jī)缺失：若某變量上的缺失數(shù)據(jù)與其他觀測變量相關(guān)，與它自己的未觀測值不相關(guān)，則數(shù)據(jù)為隨機(jī)缺失（MAR）。

（3）非隨機(jī)缺失：若缺失數(shù)據(jù)不屬于MCAR或MAR，則數(shù)據(jù)為非隨機(jī)缺失（NIMAR）。

2.識別缺失值

NA：代表缺失值；

NaN：代表不可能的值；

Inf：代表正無窮；

-Inf：代表負(fù)無窮。

is.na（）：識別缺失值；

is.nan（）：識別不可能值；

is.infinite（）：無窮值。

is.na（）、is.nan（）和is.infinte（）函數(shù)的返回值示例

xis.na（x）is.nan（x）is.infinite（x）

x<-NATRUEFALSEFALSE

x<-0/0TRUETRUEFALSE

x<-1/0FALSEFALSETRUE

complete.cases（）可用來識別矩陣或數(shù)據(jù)框中沒有缺失值的行，若每行都包含完整的實(shí)例，則返回TRUE的邏輯向量，若每行有一個(gè)或多個(gè)缺失值，則返回FALSE；

3.探索缺失值模式

（1）列表顯示缺失值

mice包中的md.pattern（）函數(shù)可以生成一個(gè)以矩陣或數(shù)據(jù)框形式展示缺失值模式的表格

library(mice)

data(sleep,package="VIM")

md.pattern(sleep)

（2）圖形探究缺失數(shù)據(jù)

VIM包中提供大量能可視化數(shù)據(jù)集中缺失值模式的函數(shù)：aggr（）、matrixplot（）、scattMiss（）

library("VIM")

aggr(sleep,prop=FALSE,numbers=TRUE)

library("VIM")

aggr(sleep,prop=TRUE,numbers=TRUE)#用比例代替了計(jì)數(shù)

matrixplot（）函數(shù)可生成展示每個(gè)實(shí)例數(shù)據(jù)的圖形

matrixplot(sleep)

淺色表示值小，深色表示值大；默認(rèn)缺失值為紅色。

marginplot（）函數(shù)可生成一幅散點(diǎn)圖，在圖形邊界展示兩個(gè)變量的缺失值信息。

library("VIM")

marginplot(sleep[c("Gest","Dream")],pch=c(20),col=c("darkgray","red","blue"))

（3）用相關(guān)性探索缺失值

影子矩陣：指示變量替代數(shù)據(jù)集中的數(shù)據(jù)（1表示缺失，0表示存在），這樣生成的矩陣有時(shí)稱作影子矩陣。

求這些指示變量間和它們與初始（可觀測）變量間的相關(guān)性，有且于觀察哪些變量常一起缺失，以及分析變量“缺失”與其他變量間的關(guān)系。

head(sleep)

str(sleep)

x<-as.data.frame(abs(is.na(sleep)))

head(sleep,n=5)

head(x,n=5)

y<-x[which(sd(x)>0)]

cor(y)

cor(sleep,y,use="pairwise.complete.obs")

4.理解缺失值數(shù)據(jù)的來由和影響

識別缺失數(shù)據(jù)的數(shù)目、分布和模式有兩個(gè)目的：

（1）分析生成缺失數(shù)據(jù)的潛在機(jī)制；

（2）評價(jià)缺失數(shù)據(jù)對回答實(shí)質(zhì)性問題的影響。

即：

（1）缺失數(shù)據(jù)的比例有多大？

（2）缺失數(shù)據(jù)是否集中在少數(shù)幾個(gè)變量上，抑或廣泛存在？

（3）缺失是隨機(jī)產(chǎn)生的嗎？

（4）缺失數(shù)據(jù)間的相關(guān)性或與可觀測數(shù)據(jù)間的相關(guān)性，是否可以表明產(chǎn)生缺失值的機(jī)制呢？

若缺失數(shù)據(jù)集中在幾個(gè)相對不太重要的變量上，則可以刪除這些變量，然后再進(jìn)行正常的數(shù)據(jù)分析；

若有一小部分?jǐn)?shù)據(jù)隨機(jī)分布在整個(gè)數(shù)據(jù)集中（MCAR），則可以分析數(shù)據(jù)完整的實(shí)例，這樣仍可得到可靠有效的結(jié)果；

若以假定數(shù)據(jù)是MCAR或MAR，則可以應(yīng)用多重插補(bǔ)法來獲得有鏟的結(jié)論。

若數(shù)據(jù)是NMAR，則需要借助專門的方法，收集新數(shù)據(jù)，或加入一個(gè)相對更容易、更有收益的行業(yè)。

5.理性處理不完整數(shù)據(jù)

6.完整實(shí)例分析（行刪除）

函數(shù)complete.cases（）、na.omit（）可用來存儲(chǔ)沒有缺失值的數(shù)據(jù)框或矩陣形式的實(shí)例（行）：

newdata<-mydata[complete.cases(mydata),]

newdata<-na.omit(mydata)

options(digits=1)

cor(na.omit(sleep))

cor(sleep,use="complete.obs")

fit<-lm(Dream~Span+Gest,data=na.omit(sleep))

summary(fit)

7.多重插補(bǔ)

多重插補(bǔ)（MI）是一種基于重復(fù)模擬的處理缺失值的方法。

MI從一個(gè)包含缺失值的數(shù)據(jù)集中生成一組完整的數(shù)據(jù)集。每個(gè)模擬數(shù)據(jù)集中，缺失數(shù)據(jù)將使用蒙特卡洛方法來填補(bǔ)。

此時(shí)，標(biāo)準(zhǔn)的統(tǒng)計(jì)方法便可應(yīng)用到每個(gè)模擬的數(shù)據(jù)集上，通過組合輸出結(jié)果給出估計(jì)的結(jié)果，以及引入缺失值時(shí)的置信敬意。

可用到的包Amelia、mice和mi包

mice（）函數(shù)首先從一個(gè)包含缺失數(shù)據(jù)的數(shù)據(jù)框開始，然后返回一個(gè)包含多個(gè)完整數(shù)據(jù)集的對象。每個(gè)完整數(shù)據(jù)集都是通過對原始數(shù)據(jù)框中的缺失數(shù)據(jù)進(jìn)行插而生成的。

with（）函數(shù)可依次對每個(gè)完整數(shù)據(jù)集應(yīng)用統(tǒng)計(jì)模型

pool（）函數(shù)將這些單獨(dú)的分析結(jié)果整合為一組結(jié)果。

最終模型的標(biāo)準(zhǔn)誤和p值都將準(zhǔn)確地反映出由于缺失值和多重插補(bǔ)而產(chǎn)生的不確定性。

基于mice包的分析通常符合以下分析過程：

library(mice)

imp<-mice(mydata,m)

fit<-with(imp,analysis)

pooled<-pool(fit)

summary(pooled)

mydata是一個(gè)飲食缺失值的矩陣或數(shù)據(jù)框；imp是一個(gè)包含m個(gè)插補(bǔ)數(shù)據(jù)集的列表對象，同時(shí)還含有完成插補(bǔ)過程的信息，默認(rèn)的m=5analysis是一個(gè)表達(dá)式對象，用來設(shè)定應(yīng)用于m個(gè)插補(bǔ)的統(tǒng)計(jì)分析方法。方法包括做線回歸模型的lm（）函數(shù)、做廣義線性模型的glm（）函數(shù)、做廣義可加模型的gam（）、及做負(fù)二項(xiàng)模型的nbrm（）函數(shù)。fit是一個(gè)包含m個(gè)單獨(dú)統(tǒng)計(jì)分析結(jié)果的列表對象；pooled是一個(gè)包含這m個(gè)統(tǒng)計(jì)分析平均結(jié)果的列表對象。</pre><pre name="code" class="plain">library(mice)

data(sleep,package="VIM")

imp<-mice(sleep,seed=1234)

fit<-with(imp,lm(Dream~Span+Gest))

pooled<-pool(fit)

summary(pooled)

impimp$imp$Dream

利用complete（）函數(shù)可觀察m個(gè)插補(bǔ)數(shù)據(jù)集中的任意一個(gè)，格式為：complete(imp,action=#)

eg：

dataset3<-complete(imp,action=3)

dataset3

8.處理缺失值的其他方法

（1）成對刪除

處理含缺失值的數(shù)據(jù)集時(shí)，成對刪除常作為行刪除的備選方法使用。對于成對刪除，觀測只是當(dāng)它含缺失數(shù)據(jù)的變量涉及某個(gè)特定分析時(shí)才會(huì)被刪除。

cor(sleep,use="pairwise.complete.obs")

雖然成對刪除似乎利用了所有可用數(shù)據(jù)，但實(shí)際上每次計(jì)算只用了不同的數(shù)據(jù)集，這將會(huì)導(dǎo)致一些扭曲，故建議不要使用該方法。

（2）簡單（非隨機(jī)）插補(bǔ)

簡單插補(bǔ)，即用某個(gè)值（如均值、中位數(shù)或眾數(shù)）來替換變量中的缺失值。注意，替換是非隨機(jī)的，這意味著不會(huì)引入隨機(jī)誤差（與多重襯托不同）。

簡單插補(bǔ)的一個(gè)優(yōu)點(diǎn)是，解決“缺失值問題”時(shí)不會(huì)減少分析過程中可用的樣本量。雖然 簡單插補(bǔ)用法簡單，但對于非MCAR的數(shù)據(jù)會(huì)產(chǎn)生有偏的結(jié)果。若缺失數(shù)據(jù)的數(shù)目非常大，那么簡單插補(bǔ)很可能會(huì)低估標(biāo)準(zhǔn)差、曲解變量間的相關(guān)性，并會(huì)生成不正確的統(tǒng)計(jì)檢驗(yàn)的p值。應(yīng)盡量避免使用該方法。

9.R語言中制作出版級品質(zhì)的輸出

常用方法：Sweave和odfWeave。

Sweave包可將R代碼及輸出嵌入到LaTeX文檔中，從而得到 PDF、PostScript和DVI格式的高質(zhì)量排版報(bào)告。

odfWeave包可將R代碼及輸出嵌入到ODF（Open Documents Format）的文檔中。