R語言：缺失值的處理
一.什麼是缺失值，NA與NULL的區別
（1）NA表示資料集中的該資料遺失、不存在。在針對具有NA的資料集進行函式操作的時候，該NA不會被直接剔除。如x<-c(1,2,3,NA,4)，取mean(x)，則結果為NA，如果想去除NA的影響，需要顯式告知mean方法，如 mean(x,na.rm=T)；NA是沒有自己的mode的，在vector中，它會“追隨”其他資料的型別，比如剛剛的x，mode(x)為numeric，mode(x[4])亦然
（2） NULL表示未知的狀態。它不會在計算之中，如x<-c(1,2,3,NULL,4)，取mean(x)，結果為2.5。NULL是不算數的，length(c(NULL))為0，而length(c(NA))為1。可見NA“佔著”位置，它存在著，而NULL沒有“佔著”位置，或者說，“不知道”有沒有真正的資料。
二.識別缺失值NA
在R語言中缺失值通常以NA表示，判斷是否缺失值的函式是is.na。
另一個常用到的函式是complete.cases，它對資料框進行分析，判斷某一觀測樣本是否完整。
下面我們讀取VIM包中的sleep資料作為例子，它的樣本數為62，變數數為10，由complete.cases函式計算可知完整的樣本個數為42。
data(sleep, package=”VIM”)
dim(sleep)
sum(complete.cases(sleep))
可以使用vim包的aggr函式以圖形方式描述缺失資料
aggr(sleep)
上面的左圖顯示各變數缺失資料比例，右圖顯示了各種缺失模式和對應的樣本數目，顯示nond和dream經常同時出現缺失值。
三、識別缺失資料的模式
存在缺失資料情況下，需進一步判斷缺失資料的模式是否隨機。在R中是利用mice包中的md.pattern函式。
library(mice)
md.pattern(sleep)
上表中的1表示沒有缺失資料，0表示存在缺失資料。第一列第一行的42表示有42個樣本是完整的，第一列最後一行的1表示有一個樣本缺少了span、dream、nond三個變數，最後一行表示各個變數缺失的樣本數合計。
四、處理缺失資料
對於缺失資料通常有三種應付手段：
（1）當缺失資料較少時直接刪除相應樣本
刪除缺失資料樣本，其前提是缺失資料的比例較少，而且缺失資料是隨機出現的，這樣刪除缺失資料後對分析結果影響不大。
（2）對缺失資料進行插補
用變數均值或中位數來代替缺失值，其優點在於不會減少樣本資訊，處理簡單。但是缺點在於當缺失資料不是隨機出現時會產成偏誤。
多重插補法（Multiple imputation）：多重插補是通過變數間關係來預測缺失資料，利用蒙特卡羅方法生成多個完整資料集，再對這些資料集分別進行分析，最後對這些分析結果進行彙總處理。可以用mice包實現。
（3）使用對缺失資料不敏感的分析方法，例如決策樹。
基本上缺失資料處理的流程是首先判斷其模式是否隨機，然後找出缺失的原因，最後對缺失值進行處理。
exp 1
library(mice)
imp=mice(sleep,seed=1234)
fit=with(imp,lm(Dream~Span+Gest))
pooled=pool(fit)
summary(pooled)