R中的缺失值处理流程

step1：识别缺失数据
step2：检查导致数据确实的原因
step3：删除包含缺失值的实例或用最合理的数值代替缺失值（删除或插补）

*对于缺失数据的分类：
MCAR：完全随机缺失
MAR：随机缺失，缺失数据的概率与其他观测变量相关，与为未观测值不相关
NMAR： 非随机缺失，缺失概率与未观测值相关

library(mice)
以VIM包中的 哺乳动物睡眠 sleep数据集为例
step1：识别缺失数据：
#加载数据集
data(sleep，package = ‘VIM’)
#列出没有缺失值的行 (complete.cases函数将无穷值作为有效值)
sleep[complete.cases(sleep),]
#列出有一个或多个缺失值的行
sleep[!complete.cases(sleep)]
#计算缺失值数量
sum(is.na(sleepKaTeX parse error: Expected 'EOF', got '#' at position 9: dream)) #̲12 mean(is.na(s…dream)) #0.19
mean(!is.na(sleep$dream)) #0.32
#矩阵化，图形化缺失值
md.pattern(sleep) #返回矩阵，并生成缺失模式图形

aggr（sleep，prop=FALSE, numbers=TRUE）

step2：检查导致数据确实的原因:
x <- as.data.frame(abs(is.na(sleep))) #abc 取绝对值，讲Ture False变成数值型0，1
y <- x[which(apply(x,2,sum)>0)]
cor(y) #列出各变量间缺失值的相关系数

可看到缺失值的相关性：Dream和 NonD常一起缺失（0.91）…

同时，可查看含缺失值变量与其他可观测变量之间的关系：
cor(sleep,y,use = ‘pairwise.complete.obs’)

这个相关系数矩阵中，将所有可观测变量，列为表示缺失的指示变量。可以忽略警告和NA（都是人为因素导致的）
从矩阵中可以看到，体重（r=0.227），妊娠期（r=0.202）、睡眠暴露度（r=0.245）的动物无梦睡眠评分更有可能缺失。其他列的信息也可以这样推断：该数据更可能为MAR

但也不能排除数据是NMAR的可能性，因为并不知道缺失数据背后对应的真实数据是怎么样的。比如，我们不可能知道做梦时长与该变量数据缺失概率之间的关系。 但，当缺乏强力的外部证据时，我们通常假设数据是MCAR或MAR。

step3：删除包含缺失值的实例或用最合理的数值代替缺失值（删除或插补）
3.1 完整实例分析（行删除listwise、个案删除casewise）
newdata <- mydata[complete.cases(mydata), ]
或 na.omit(mydata) 实现行删除

3.2 多重插补 multiple imputation（待续）
主要使用mice包
library(mice)