如何用R语言处理缺失值?

处理数据时,难免会遇到缺失值。如何处理缺失值呢?统计学中有个概念叫imputation,看到一些资料将其翻译成“填补”或“插补”,但我觉得翻译成“设算”似乎更合适些。

本文采用R自带的iris数据进行演示。首先修改iris数据集,将其中一些值更改为NA。
注意:不能直接修改iris数据集,要先将其赋予一个变量。

# Changes some values to NA ----
data <- iris
data[1,3] <- NA
data[c(1,4),c(1,2)] <- NA
data[c(6,9),2] <- NA
data[10,1] <- NA
data[c(8:9),5] <- NA
head(data,10)
> head(data,10)
   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1            NA          NA           NA         0.2  setosa
2           4.9         3.0          1.4         0.2  setosa
3           4.7         3.2          1.3         0.2  setosa
4            NA          NA          1.5         0.2  setosa
5           5.0         3.6          1.4         0.2  setosa
6           5.4          NA          1.7         0.4  setosa
7           4.6         3.4          1.4         0.3  setosa
8           5.0         3.4          1.5         0.2    <NA>
9           4.4          NA          1.4         0.2    <NA>
10           NA         3.1          1.5         0.1  setosa

1. 缺失值可视化

使用visdat对缺失值进行可视化。

# Visualizing missing values ----
install.packages("visdat")
install.packages("dplyr")
library(visdat)
library(dplyr)
data %>% vis_miss()
图1.缺失值可视化

2. 评估含缺失值的变量之间的关系

使用naniar检查含有缺失值的变量之间是否存在关系。

install.packages("naniar")
library(naniar)
## Is it often that we have both Sepal.Length and Sepal.Width missing at the same time?
data %>% gg_miss_upset()
图2.缺失值的数量统计

3. 设算填补

使用simputation对缺失值进行填补。常用的方法有:线性模型、平均值、均值等。

install.packages("simputation")
library(simputation)

3.1 线性模型填补(linear model imputation)

使用线性模型对Sepal.Length的缺失值进行填补。注意到第1行和第3行依然存在缺失值,因为它们的Sepal.Width(在该模型中作为predictor variable)也缺失,因此该线性模型无法基于Sepal.WidthSepal.Length作出预测。但它仍可以返回部分填补后的结果。

# Impute Sepal.Length using a linear model use the `impute_lm` function
data_lm <- impute_lm(data, Sepal.Length~Sepal.Width + Species)
> head(data_lm, 10)
   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1            NA          NA           NA         0.2  setosa
2      4.900000         3.0          1.4         0.2  setosa
3      4.700000         3.2          1.3         0.2  setosa
4            NA          NA          1.5         0.2  setosa
5      5.000000         3.6          1.4         0.2  setosa
6      5.400000          NA          1.7         0.4  setosa
7      4.600000         3.4          1.4         0.3  setosa
8      5.000000         3.4          1.5         0.2    <NA>
9      4.400000          NA          1.4         0.2    <NA>
10     4.746835         3.1          1.5         0.1  setosa

3.2 中位数填补(median imputation)

按照Species分别计算中位数,并进行填补。

# Impute Sepal.Length using the group median
data_median <- impute_median(data_lm, Sepal.Length ~ Species)
> head(data_median, 10)
   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1      5.000000          NA           NA         0.2  setosa
2      4.900000         3.0          1.4         0.2  setosa
3      4.700000         3.2          1.3         0.2  setosa
4      5.000000          NA          1.5         0.2  setosa
5      5.000000         3.6          1.4         0.2  setosa
6      5.400000          NA          1.7         0.4  setosa
7      4.600000         3.4          1.4         0.3  setosa
8      5.000000         3.4          1.5         0.2    <NA>
9      4.400000          NA          1.4         0.2    <NA>
10     4.746835         3.1          1.5         0.1  setosa

3.3 决定树模型填补(decision tree model imputation)

这里,我们采用决定树模型对Species的缺失值进行填补。除了Species外的所有变量都被用作预测值(predictor)。

data_cart <- impute_cart(data_median, Species ~ .)
> head(data_cart, 10)
   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1      5.000000          NA           NA         0.2  setosa
2      4.900000         3.0          1.4         0.2  setosa
3      4.700000         3.2          1.3         0.2  setosa
4      5.000000          NA          1.5         0.2  setosa
5      5.000000         3.6          1.4         0.2  setosa
6      5.400000          NA          1.7         0.4  setosa
7      4.600000         3.4          1.4         0.3  setosa
8      5.000000         3.4          1.5         0.2  setosa
9      4.400000          NA          1.4         0.2  setosa
10     4.746835         3.1          1.5         0.1  setosa

3.4 链式填补(chaining imputation)

可以使用|>运算符将以上操作打包。

# Chaining imputation methods ----
data_chain <- data |>
  impute_lm(Sepal.Length ~ Sepal.Width + Species) |>
  impute_median(Sepal.Length ~ Species) |>
  impute_cart(Species ~ .)

3.5 多元变量模型预测填补(imputation model for multiple variables)

我们可以根据不同物种的Petal.Length分别对它们的Sepal.LengthSepal.Width进行预测。

data_rlm <- impute_rlm(data, Sepal.Length + Sepal.Width ~ Petal.Length + Species)
> head(data_rlm, 10)
   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1            NA          NA           NA         0.2  setosa
2      4.900000    3.000000          1.4         0.2  setosa
3      4.700000    3.200000          1.3         0.2  setosa
4      5.042242    3.427884          1.5         0.2  setosa
5      5.000000    3.600000          1.4         0.2  setosa
6      5.400000    3.489194          1.7         0.4  setosa
7      4.600000    3.400000          1.4         0.3  setosa
8      5.000000    3.400000          1.5         0.2    <NA>
9      4.400000          NA          1.4         0.2    <NA>
10     5.042242    3.100000          1.5         0.1  setosa

3.6 分组数据的填补(grouping data for imputation)

formula中使用|来设定分组。
注意:这里的分组数据不能含有缺失值,因此我们采用data_cart

data_group <- impute_lm(data_cart, Sepal.Length ~ Petal.Width | Species)

该代码等同于:

data_group |> group_by(Species) |>
  impute_lm(Sepal.Length ~ Petal.Width)

注意:使用group_by前要先加载dplyr包。

> head(data_group, 10)
   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1      5.000000          NA           NA         0.2  setosa
2      4.900000         3.0          1.4         0.2  setosa
3      4.700000         3.2          1.3         0.2  setosa
4      5.000000          NA          1.5         0.2  setosa
5      5.000000         3.6          1.4         0.2  setosa
6      5.400000          NA          1.7         0.4  setosa
7      4.600000         3.4          1.4         0.3  setosa
8      5.000000         3.4          1.5         0.2  setosa
9      4.400000          NA          1.4         0.2  setosa
10     4.746835         3.1          1.5         0.1  setosa

3.7 自定义填补方法(specify your own method)

simputation提供impute_proxy功能,可以自定义填补方法。

data_own <- impute_proxy(data, Sepal.Length ~ median(Sepal.Length,na.rm=TRUE)/median(Sepal.Width, na.rm=TRUE) * Sepal.Width | Species)
> head(data_own, 10)
   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1            NA          NA           NA         0.2  setosa
2      4.900000         3.0          1.4         0.2  setosa
3      4.700000         3.2          1.3         0.2  setosa
4            NA          NA          1.5         0.2  setosa
5      5.000000         3.6          1.4         0.2  setosa
6      5.400000          NA          1.7         0.4  setosa
7      4.600000         3.4          1.4         0.3  setosa
8      5.000000         3.4          1.5         0.2    <NA>
9      4.400000          NA          1.4         0.2    <NA>
10     4.558824         3.1          1.5         0.1  setosa

3.8 基于其它数据训练得到的模型对缺失值进行预测(inputing a dataset with models trained on another dataset)

比如我们已经有完整的iris数据,我们可以基于这个完整的数据建模:

model <- lm(Sepal.Length ~ Sepal.Width + Species, data=iris)

利用该模型预测缺失值:

data_model <- impute(data, Sepal.Length ~ model)
> head(data_model, 10)
   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1            NA          NA           NA         0.2  setosa
2      4.900000         3.0          1.4         0.2  setosa
3      4.700000         3.2          1.3         0.2  setosa
4            NA          NA          1.5         0.2  setosa
5      5.000000         3.6          1.4         0.2  setosa
6      5.400000          NA          1.7         0.4  setosa
7      4.600000         3.4          1.4         0.3  setosa
8      5.000000         3.4          1.5         0.2    <NA>
9      4.400000          NA          1.4         0.2    <NA>
10     4.742432         3.1          1.5         0.1  setosa

4. 参考资料

[1] https://www.business-science.io/code-tools/2021/01/19/handle-missing-data.html
[2] https://cran.r-project.org/web/packages/simputation/vignettes/intro.html

5. 软件及R包信息

> sessionInfo()R version 4.2.2 (2022-10-31)

Platform: x86_64-pc-linux-gnu (64-bit)

Running under: Ubuntu 20.04.5 LTS

Matrix products: default

BLAS:  /usr/lib/x86_64-linux-gnu/atlas/libblas.so.3.10.3

LAPACK: /usr/lib/x86_64-linux-gnu/atlas/liblapack.so.3.10.3

locale:

[1] LC_CTYPE=C.UTF-8      LC_NUMERIC=C         

[3] LC_TIME=C.UTF-8        LC_COLLATE=C.UTF-8   

[5] LC_MONETARY=C.UTF-8    LC_MESSAGES=C.UTF-8 

[7] LC_PAPER=C.UTF-8      LC_NAME=C           

[9] LC_ADDRESS=C          LC_TELEPHONE=C       

[11] LC_MEASUREMENT=C.UTF-8 LC_IDENTIFICATION=C 

attached base packages:

[1] stats    graphics  grDevices utils    datasets  methods 

[7] base   

other attached packages:

[1] simputation_0.2.8 naniar_0.6.1      dplyr_1.0.10   

[4] visdat_0.5.3   

loaded via a namespace (and not attached):

[1] fansi_1.0.3      utf8_1.2.2      MASS_7.3-58.1 

[4] grid_4.2.2      R6_2.5.1        gtable_0.3.1   

[7] lifecycle_1.0.3  magrittr_2.0.3  scales_1.2.1   

[10] ggplot2_3.4.0    pillar_1.8.1    rlang_1.0.6   

[13] cli_3.4.1        rpart_4.1.19    vctrs_0.5.0   

[16] generics_0.1.3  tools_4.2.2      gower_1.0.0   

[19] glue_1.6.2      munsell_0.5.0    compiler_4.2.2 

[22] colorspace_2.0-3 pkgconfig_2.0.3  tidyselect_1.2.0

[25] tibble_3.1.8 
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
平台声明:文章内容(如有图片或视频亦包括在内)由作者上传并发布,文章内容仅代表作者本人观点,简书系信息发布平台,仅提供信息存储服务。