R语言实战(十)处理缺失数据的高级方法
本文对应《R语言实战》第15章:处理缺失数据的高级方法
本文仅在书的基础上进行简单阐述,更加详细的缺失数据问题研究将会单独写一篇文章。
处理缺失值的一般步骤:
- 识别缺失数据;
- 检查导致数据缺失的原因;
- 删除包含缺失值的实例或用合理的数值代替(插补)缺失值。
缺失数据的分类:
完全随机缺失(MCAR):某变量的缺失数据与其他任何观测或未观测的变量都不相关;
随机缺失(MAR):某变量上的缺失数据与其他观测变量相关,与它自己的未观测值不相关;
非随机缺失(NMAR):不属于MCAR或MAR的变量。
一般情况下为MCAR或MAR,NMAR处理太过复杂,暂时不考虑。
识别缺失值:
#某变量缺失值数量
sum(is.na(sleep$Dream))
#某变量上缺失值的比例
mean(is.na(sleep$Dream))
#含有缺失值的实例的比例
mean(!complete.cases(sleep)) #生成一个以矩阵或数据框形式展示缺失值模式的表格
library(mice)
md.pattern(sleep)
md.pattern()结果解释:
矩阵中,0表示有缺失值,1表示没有缺失值。第一行表述了无缺失值的模式,第二行以后表述了除标记变量外无缺失值的模式。。第一列表示各缺失值模式的实例个数,最后一列表示各模式中有缺失值的变量的个数。最后一行给出了每个变量中缺失值的数目。
图形探究缺失数据(package: VIM)
三个函数:
aggr()函数不仅绘制每个变量的缺失值数,还绘制每个变量组合的缺失值数;
matrixplot()函数可生成展示每个实例数据的图形;
marginplot()函数可生成一幅散点图,在图形边界展示两个变量的缺失值信息。
用相关性探索缺失值:
影子矩阵:用指示变量替代数据集中的数据(1表示缺失,2表示存在)
求这些指示变量间和它们与初始(可观测)变量间的相关性,有助于观察哪些变量常一起缺失,以及分析变量“缺失”与其他变量间的关系。
x <- as.data.frame(abs(is.na(sleep)))
y <- x[which(sd(x) > 0)]
cor(y)
相关系数大,表明两个变量间常常一起缺失。
理解缺失数据的来由和影响:
识别缺失数据的数目、分布和模式有两个目的:1. 分析生成缺失数据的潜在机制;2. 评价缺失数据对回答实质性问题的影响。
用统计方法进行缺失数据的分析:恢复数据的推理方法、涉及删除缺失值的传统方法、涉及模拟的现代方法。
所有工作的目的都是相同的:在没有完整信息的情况下,尽可能精确地回答收集数据所要解决的实质性问题。
理性处理不完整数据:
采用推理的方法,根据变量间的数学或逻辑关系来填补或恢复缺失值。
常见处理方法:
行删除:将包含一个或多个缺失值的任意一行删除;
#以下两行代码的功能等价
newdata <- mydata[complete.cases(mydata), ]
newdata <- na.omit(mydata)
多重插补(MI):是一种基于重复模拟的处理缺失值的方法,每个模拟数据集中,缺失数据将用蒙特卡洛方法来填补。R中可利用Amelia, mice 和mi包实现。
mice包:利用链式方程的多元插补。具体过程:首先从一个包含缺失数据的数据框开始,返回一个包含多个(默认5个)完整数据集的对象;然后,with()函数可依次对每个完整数据集应用统计模型;最后,pool()函数将这些单独的分析结果整合为一组结果。最终模型的标准误和p值都将准确地反映出由于缺失值和多重插补而产生的不确定性。
mice如何插补缺失值:通过Gibbs抽样完成。每个缺失值由数据集中其他预测变量预测得来,该过程不断迭代,直到所有预测值收敛。
通常过程:
library(mice)
imp <- mice(mydata, m)
fit <- with(imp, analysis)
pooled <- pool(fit)
summary(pooled)
#mydata是待插补的数据框,m默认5,imp里含有m个插补数据集
#analysis是一个表达式对象,设定应用于m个插补数据集的统计分析方法
#fit包含了m个单独统计分析结果
#pooled包含m个统计分析平均结果
处理缺失值的其他方法:
Hmisc |
包含多种函数,支持简单插补、多重插补和典型变量插补 |
mvnmle |
对多元正态分布数据中缺失值的最大似然估计 |
cat |
对数线性模型中多元类别型变量的多重插补 |
arrayImpute/arrayMissPattern/SeqKnn |
处理微阵列缺失数据的实用函数 |
longitudinalData |
相关的函数列表,比如对时间序列缺失值进行插补的一系列函数 |
kmi |
处理生存分析缺失值的Kaplan-Meier多重插补 |
mix |
一般位置模型中混合类别型和连续型数据的多重插补 |
pan |
多元面板数据或聚类数据的多重插补 |
R语言实战(十)处理缺失数据的高级方法的更多相关文章
- R in action读书笔记(20)第十五章 处理缺失数据的高级方法
处理缺失数据的高级方法 15.1 处理缺失值的步骤 一个完整的处理方法通常包含以下几个步骤: (1) 识别缺失数据: (2) 检查导致数据缺失的原因: (3) 删除包含缺失值的实例或用合理的数值代替( ...
- 吴裕雄--天生自然 R语言开发学习:处理缺失数据的高级方法(续一)
#-----------------------------------# # R in Action (2nd ed): Chapter 18 # # Advanced methods for mi ...
- R语言实战
教材目录 第一部分 入门 第一章 R语言介绍 第二章 创建数据集 第三章 图形初阶 第四章 基本数据管理 第五章 高级数据管理 第二部分 基本方法 第六章 基本图形 第七章 基本统计方法 第三部分 中 ...
- R 语言实战-Part 4 笔记
R 语言实战(第二版) part 4 高级方法 -------------第13章 广义线性模型------------------ #前面分析了线性模型中的回归和方差分析,前提都是假设因变量服从正态 ...
- R入门<三>-R语言实战第4章基本数据管理摘要
入门书籍:R语言实战 进度:1-4章 摘要: 1)实用的包 forecast:用于做时间序列预测的,有auto.arima函数 RODBC:可以用来读取excel文件.但据说R对csv格式适应更加良好 ...
- R语言实战(三)基本图形与基本统计分析
本文对应<R语言实战>第6章:基本图形:第7章:基本统计分析 =============================================================== ...
- R语言实战(二)数据管理
本文对应<R语言实战>第4章:基本数据管理:第5章:高级数据管理 创建新变量 #建议采用transform()函数 mydata <- transform(mydata, sumx ...
- R语言实战(一)介绍、数据集与图形初阶
本文对应<R语言实战>前3章,因为里面大部分内容已经比较熟悉,所以在这里只是起一个索引的作用. 第1章 R语言介绍 获取帮助函数 help(), ? 查看函数帮助 exampl ...
- R语言实战(四)回归
本文对应<R语言实战>第8章:回归 回归是一个广义的概念,通指那些用一个或多个预测变量(也称自变量或解释变量)来预测响应变量(也称因变量.效标变量或结果变量)的方法.通常,回归分析可以用来 ...
随机推荐
- springboot 以jar方式在linux后台运行
linux命令如下: nohup java -jar 自己的springboot项目.jar >日志文件名.log 2>&1 & 命令解释: nohup:不挂断地运行命令, ...
- GTD实践2周年后一些体会
从2011年7月1日算起,实践GTD已经有2年多了,在GTD一周年时写了<用iPhone打造GTD实践1周年的心得体会>这篇文章,随着实践的深入,如今又有了一些新的认识,2013年初制定的 ...
- 从零搭建SSM框架(一)搭建工程
工程结构 一.cnki-parent 1.新建maven project 2.pom.xml <project xmlns="http://maven.apache.org/POM/ ...
- ASP.NET中的另类控件
首先看一个aspx文件里的部分内容: <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" " ...
- 【leetcode 简单】 第八十二题 反转字符串
编写一个函数,其作用是将输入的字符串反转过来. 示例 1: 输入: "hello" 输出: "olleh" 示例 2: 输入: "A man, a p ...
- JVM性能调优监控工具详解
现实企业级Java开发中,有时候我们会碰到下面这些问题: OutOfMemoryError,内存不足 内存泄露 线程死锁 锁争用(Lock Contention) Java进程消耗CPU过高 .... ...
- CSS基础之选择器
一:CSS介绍 CSS(Cascading Style Sheet,层叠样式表)定义如何显示HTML元素. 当浏览器读到,一个样式表时,就会按照. 二:CSS语法 每个CSS有两部分组成:选择器和声明 ...
- 添加 MySql 服务、Tomcat服务到windows服务中
添加 MySql 服务到windows服务中: cmd --> F:\MySql\MySqlServer5.1\bin\mysqld --install 这样用默认的 MySQL 为名称添加一个 ...
- Framebuffer 驱动学习总结(一) ---- 总体架构及关键结构体
一.Framebuffer 设备驱动总体架构 帧缓冲设备为标准的字符型设备,在Linux中主设备号29,定义在/include/linux/major.h中的FB_MAJOR,次设备号定义帧缓冲的个数 ...
- MySQL 高可用:mysql+Lvs+Keepalived 负载均衡及故障转移
系统信息: mysql主库 mysql从库 VIP 192.168.1.150 mysql 主主同步都设置 auto-increment-offset,auto-increment-increment ...