在R工作的一个巨大优势是可用的统计功能和技术的数量和复杂程度。例如，R的quantile()功能允许您选择九种不同方法中的一种用于计算分位数。谁会想到有这么多方法可以做一些看似如此简单的事情？这里的问题不是不必要的复杂问题，而是对过去一百年现代统计实践中所获得的与推理问题相关的细微差别的理解。大部分知识反映在R中。正如我想象的那样，如果R的功能像城市街道一样布局，那么会有很多广泛的途径显示常用的算法，但这些算法会流入成千上万个很少访问的小巷，其中包含那些寻找他们的人的宝藏。
我的印象是，大多数数据科学都是在这些途径上完成的，但数据科学家可以从偶尔深入到统计实践的小巷中获益。统计数据可能是数据科学中最不重要的部分，但有时候掌握合理的统计推断至关重要。例如，考虑处理缺失值的问题。很难想象任何大型的现实世界数据集都不需要策略来存储缺失值。制定战略的第一步显然是形成一些关于数据缺失原因的想法。格尔曼和希尔确定四种不同的“缺失机制”：（1）完全随机的缺失，（2）随机的缺失，（3）依赖于未观察到的预测因子的缺失，（4）依赖于缺失值本身的缺失; 他们就如何应对每一项提供了一些建议。在大型数据集中，没有理由相信只有一种机制在起作用！根据这些类别及其组合评估您的数据可能需要大量的探索性工作。因此，查看缺失值模式的工具可能非常有用，即使使用它们也需要对数据集进行采样。
决定如何以统计上合理的方式进行的下一步可能会带来相当大的技术挑战，选择简单的解决方案可能是不可取的，甚至是不可能的。即使有大数据，忽略缺失值的观察也可能导致灾难性的信息丢失，而简单的估算方法，例如用变量均值或共同值替换缺少每个变量的缺失值，将产生“完成”数据集反映了人为的确定性，可能会低估数据的可变性和偏差结果。R无法消除艰苦的工作，但它确实提供了一系列令人生畏的缺失值插补工具，可以让您进出统计小巷并帮助您确定哪些技术可能有用。
在评估各种方法之前，对多变量数据的插补方法进行一些区分是有帮助的。第一种是单次和多次插补。在单个插补中，使用特定算法或技术来为每个缺失值产生单个估计。另一方面，多种插补方法通过从该分布中提取来开发缺失值的分布并估计个体缺失值。通常，这些算法分三步进行。在第一个插补步骤中，根据每个变量的缺失值的分布进行多次绘制。该过程产生若干“完成的”数据集，其中每个缺失值已通过合理的值估计。在第二步中，对每个完成的数据集执行预期分析。在最后一步，
的第二个区别是联合建模（JM）和全条件规范（FCS）插补之间。在JM中，假设数据遵循某种多变量参数分布。这在理论上是合理的，但可能不够灵活，不足以对数据进行充分建模。在FCS中，通过为每个具有缺失值的变量开发单独的条件模型来指定多变量数据模型。
以下是缺失值插补的R包的简短列表。我选择了这些来了解各种可用工具。
Amelia实现了Amelia II算法，该算法假设完整的数据集（缺失和观察到的数据）是多元正常的。通过EMB（期望最大化和自举）算法完成估算。该JSS本文介绍了用于组合从每个插补数据集产生的模型的策略。该阿梅利亚小品中包含的例子。
BaBoon提供两种变体的贝叶斯Bootstrap预测均值匹配来估算多个缺失值。最初为测量数据开发，插补算法被描述为关于插补模型错误指定的鲁棒性。算法的最佳描述和基本原理似乎是其中一位软件包作者的博士论文。
Hmisc包含若干功能，这些功能的缺失值估算包括有用的agreImpute()，impute()和transcan()。有关Hmisc的文档可以在这里找到。
mi采用贝叶斯方法来估算缺失值。插补算法运行多个MCMC链以迭代地从观察和估算数据的条件分布中绘制插补值。除了插补算法之外，该包还包含用于可视化数据集中缺失值的模式以及评估MCMC链的收敛的函数。甲晕影示出了工作实施例和相关联的JSS纸再往深入理论和使用该方法的机制。
小鼠是链式方程的多元插补的首字母缩写，形式化了上面的多个实现过程概述，可能是FCS多重插补的金标准。套餐功能包括：
插补模型的逐列规范
支持任意模式的缺失数据
被动插补技术，可以保持数据转换之间的一致性
预测变量的子集选择
支持任意完整数据方法
支持汇集各类统计数据
针对估算的诊断
可调用的用户编写的插补函数
该JSS本文介绍了如何的愿望，以提供导致连锁式技术，其中吉布斯采样填写丢失的数据的发展每个变量单独归集模型。miceAdds提供了与小鼠一起使用的附加功能，包括合理值插补，多级插补函数，使用偏最小二乘法（PLS）进行高维预测器的插补，嵌套多次插补和双向插补。
missingDataGUI实现了一个漂亮的图形界面，用于探索缺失的数据模式，包括数字和分类缺失值的数字和图形摘要，并实现了许多插补方法。下图显示了mlbench包中HouseVotes84数据集的缺失值映射。
missMDA对不完整的数据集执行主成分方法，获得分数，加载和图形表示，尽管缺少值。该软件包还包括执行单个和多个插补的功能。该JSS本文提供的细节。
VIM提供了可视化丢失或估算值的工具。在插补之前，它们可用于研究缺失值的模式，之后这些相同的工具可用作诊断。VIMGUI将前端放在VIM功能上，并帮助处理绘图和插补功能。该小品是彻底的，并提供了一个可能会如何看待缺失值分布了一些很好的例子。
vtreat提供工具来协助统计上合理准备数据集。它不是明确专门用于缺失值插补的包，但它可以生成“有效变量列中没有无限/ NA / NaN”的“已清理”数据集。我在此处加入它以强调正确的数据准备可以简化缺失值问题。这个包有几个小插曲。
yaImpute采用可能被认为是机器学习方法来通过使用k-最近邻居（kNN）算法来估算缺失值来估算缺失值。该JSS纸覆盖理论，并说明使用林业应用程序的包。
有关其他R套件，请参阅Stef van Buuren的网页编目软件（编辑：该列表不再可用。），其中列出了实施某种单一插补方法的十二个R封装和十八个涉及多重插补的R封装，并提供了简要说明每一个。另外，请查看analyticsvidha.com上的帖子，该帖子提供有关amelia，Hmisc，mi，mouse和missForest的信息性简短撰写，其中包含一些示例代码。
我还建议您阅读Stef van Buuren关于2015 Rennes缺失价值会议的完全条件规范的历史和未来的演讲以及Julie Josse的useR教程！2016年。
即使使用最好的工具，毫无疑问，以统计上合理的方式处理缺失值也很困难。然而，这是有助于将“科学”放入数据科学的那种工作，而R是您可能找到的最有用的环境。
