#####缺失值判断以及处理#####
#举例1：向量类型判断缺失值is.na和缺失值的填补which
(x<-c(1,2,3,NA))
is.na(x)#返回一个逻辑向量，TRUE为缺失值，FALSE为非缺失值
table(is.na(x))#统计分类个数
sum(x)#当向量存在缺失值的时候统计结果也是缺失值
sum(x,na.rm = TRUE)#很多函数里都有na.rm=TRUE参数，此参数可以在运算时移除缺失值
(x[which(is.na(x))]<-0)#可以用which()函数代替缺失值，which()函数返回符合条件的响应位置
#举例2：数据框类型判断缺失值is.na、缺失值的填补which、缺失值所在行的删除na.omit
(test<-data.frame(x=c(1,2,3,4,NA),y=c(6,7,NA,8,9)))
is.na(test)#test中空值的判断
which(is.na(test),arr.ind = T)#arr.ind=T可以返回缺失值的相应行列坐标
test[which(is.na(test),arr.ind = T)]<-0#结合which进行缺失替代
(test_omit<-na.omit(data.frame(x=c(1,2,3,4,NA),y=c(6,7,NA,8,9))))#na.omit函数可以直接删除值所在的行
#举例3：识别缺失值的基本语法汇总
str(airquality)
complete.cases(airquality)#判断个案是否有缺失值
airquality[complete.cases(airquality),]#列出没有缺失值的行
nrow(airquality[complete.cases(airquality),])#计算没有缺失值的样本量
airquality[!complete.cases(airquality),]#列出有缺失的值的行
nrow(airquality[!complete.cases(airquality),])#计算有缺失值的样本量
is.na(airquality$Ozone)#TRUE为缺失值，FALSE为非缺失值
table(is.na(airquality$Ozone))
complete.cases(airquality$Ozone)#FALSE为缺失值，TRUE为非缺失值
table(complete.cases(airquality$Ozone))
#可用sum()和mean()函数来获取关于缺失数据的有用信息
sum(is.na(airquality$Ozone))#查看缺失值的个数
sum(complete.cases(airquality$Ozone))#查看没有缺失值的个数
mean(is.na(airquality$Ozone))#查看缺失值的占比
mean(is.na(airquality))#查看数据集airquality中样本有缺失值的占比
#举例4：探索缺失值模式
#列表缺失值探索
library(mice)
md.pattern(airquality)
#图形缺失值探索
library(VIM)
aggr(airquality,prop=FALSE,number=TRUE)
aggr(airquality,prop=TRUE,number=TRUE)#生成相同的图形，但用比例代替了计数
aggr(airquality,prop=FALSE,number=FALSE)#选项numbers = FALSE（默认）删去数值型标签
#举例5：删除缺失值
airquality[complete.cases(airquality),]#方法一：删除缺失值行
na.omit(airquality)#方法二：删除缺失值的行
#举例6：缺失值回归模型插补
newnhanes2<-nhanes2
sub<-which(is.na(newnhanes2[,4]))#返回newnhanes2数据集中第4列NA的行标识
datatr<-newnhanes2[-sub,]#方法一：将第4列不为NA的数存入数据集datatr中
datatr<-newnhanes2[complete.cases(newnhanes2[,4]),]#方法二：将第4列不为NA的数存入数据集datatr中
datate<-newnhanes2[sub,]#方法一：将第4列为NA的数存入数据集datate中
datate<-newnhanes2[is.na(newnhanes2[,4]),]#方法二：将第4列为NA的数存入数据集datate中
fit<-lm(chl~age,data = datatr)#利用datatr中age为自变量，chl为因变量构建线性回归模型lm
newnhanes2[sub,4]<-round(predict(fit,datate))#利用datate中数据按照模型fit对nhanes2中chl中的缺失数据进行预测
#举例7：缺失值随机森林插补
library(missForest)
z<-missForest(airquality)#用随机森林迭代弥补缺失值
air.full<-z$ximp
zz<-missForest(nhanes2)
nhanes2.full<-zz$ximp
#举例8：线性回归模型插补
mice::md.pattern(airquality)
index1<-is.na(airquality$Ozone)#对Ozone变量进行缺失值处理
dput(colnames(airquality))#求出变量列名称
Ozone_train<-airquality[!index1,c("Ozone", "Wind", "Temp", "Month", "Day")]#训练集，需注意什么时候用!,什么时候用-
Ozone_test<-airquality[index1,c("Ozone", "Wind", "Temp", "Month", "Day")]#测试集
fit<-lm(Ozone~.,data = Ozone_train)#建立线性回归模型
summary(fit)
airquality[index1,"Ozone"]<-predict(fit,newdata =Ozone_test )
index2<-is.na(airquality$Solar.R)#Solar.R变量进行缺失值处理,Ozone变量数据已补齐
Solar.R_train<-airquality[!index2,]#训练集
Solar.R_test<-airquality[index2,]#测试集
Solar.R_fit<-lm(Solar.R~.,data = Solar.R_train)
summary(Solar.R_fit)
airquality[index2,"Solar.R"]<-predict(Solar.R_fit,newdata = Solar.R_test)
mice::md.pattern(airquality)
#knn和bag缺失值插补(利用caret包中的preProcess函数，method参数有多种方式可选)
question<-read.csv("问卷调研数据.csv")
question<-question[,-1]
str(question)
for(i in 1:ncol(question)){
question[,i]<-as.factor(question[,i])
}#批量修改为因子类型
str(question)
#举例9：利用KNN算法进行缺失值插补(只能对数值型变量处理)
question<-read.csv("问卷调研数据.csv")
question<-question[,-1]
mice::md.pattern(question)#列表缺失值探索
library(caret)
knn.model<-preProcess(question,method = "knnImpute")#KNN处理数值型数据(欧式距离),不能处理因子型数据
question1<-predict(knn.model,newdata = question)
install.packages("RANN")
mice::md.pattern(question1)
table(question1$性别)#不是之前的1和2了
table(question$性别)
#最后结果：knn不适合处理该数据，需要做哑变量处理，再套模型
#举例10：利用袋装算法进行缺失值插补(只能对数值型变量处理)
question<-read.csv("问卷调研数据.csv")
question<-question[,-1]
mice::md.pattern(question)#列表缺失值探索
library(caret)
bag.model<-preProcess(question,method = "bagImpute")#bag算法模型建立
install.packages("ipred")
question2<-predict(bag.model,question)#预测结果
mice::md.pattern(question2)#列表缺失值探索
table(question2$性别)
#最后结果：bag算法不适合处理该数据
