如何在 R 中估算缺失值？

在本文中，我们将讨论如何在 R 编程语言中估算缺失值。

在大多数数据集中，可能会因为未输入或由于某些错误而缺少值。用另一个值替换这些缺失值称为数据插补。有几种估算方法。常见的包括用该列/特征中的平均值、最小值或最大值替换。不同的数据集和特征将需要一种类型的插补方法。例如，考虑一家公司的销售业绩数据集，如果特征损失有缺失值，那么替换最小值会更合乎逻辑。

正在使用的数据集：

估算一列

方法1 ：用平均值手动估算

让我们用这一整列的平均值来估算一列数据的缺失值，即marks1。

Syntax  :

mean(x, trim = 0, na.rm = FALSE, …)

Parameter:

• x – any object
• trim – observations to be trimmed from each end of x before the mean is computed
• na.rm – FALSE to remove NA values

示例：估算缺失值

R

# create a adataframe
data <- data.frame(marks1 = c(NA, 22, NA, 49, 75),
                   marks2 = c(81, 14, NA, 61, 12),
                   marks3 = c(78.5, 19.325, NA, 28, 48.002))
  
# impute manually
data$marks1[is.na(data$marks1)] <- mean(data$marks1, na.rm = T)  
  
data

输出：

方法 2 ：使用 Hmisc 库并使用中值进行估算

使用 Hmisc 库中的函数impute( ) 让我们用整列的中值估算数据的列标记2。

示例：估算缺失值

R

# install and load the required packages
  
install.packages("Hmisc")
library(Hmisc)
  
# create a adataframe
data <- data.frame(marks1 = c(NA, 22, NA, 49, 75),
                   marks2 = c(81, 14, NA, 61, 12),
                   marks3 = c(78.5, 19.325, NA, 28,
                              48.002))
  
# fill missing values of marks2 with median
impute(data$marks2, median)

输出：

用中值估算

方法 3：使用特定的常量值进行估算

使用 Hmisc 库中的函数impute( ) 让我们用一个常数值来估算数据的列标记2。

示例：估算缺失值

R

# install and load the required packages
install.packages("Hmisc")
library(Hmisc)
  
# create a adataframe
data <- data.frame(marks1 = c(NA, 22, NA, 49, 75),
                   marks2 = c(81, 14, NA, 61, 12),
                   marks3 = c(78.5, 19.325, NA, 28, 
                              48.002))
  
# impute with a specific number
# replace NA with 2000
impute(data$marks3, 2000)  

输出：

使用特定的常量值进行估算

估算整个数据集：

这可以通过使用 apply()函数将每列的中值与 NA 插补来完成。

Syntax: 

apply(X, MARGIN, FUN, …)

Parameter:

• X – an array, including a matrix
• MARGIN – a vector
• FUN – the function to be applied

示例：估算整个数据集

R

# create a adataframe
data <- data.frame(marks1 = c(NA, 22, NA, 49, 75),
                   marks2 = c(81, 14, NA, 61, 12),
                   marks3 = c(78.5, 19.325, NA, 28, 
                              48.002))
  
# getting median of each column using apply() 
all_column_median <- apply(data, 2, median, na.rm=TRUE)
  
# imputing median value with NA 
for(i in colnames(data))
  data[,i][is.na(data[,i])] <- all_column_median[i]
  
data

输出：