用均值替换、回归插补及多重插补进行插补
# 设置工作空间 # 把“数据及程序”文件夹拷贝到F盘下,再用setwd设置工作空间 setwd("E:\\R_workspace\\R语言数据分析与挖掘实战\\chp4") # 读取销售数据文件,提取标题行 inputfile <- read.csv('./data/catering_sale.csv', header = TRUE) View(inputfile) # 变换变量名 inputfile <- data.frame(sales = inputfile$'销量', date = inputfile$'日期') View(inputfile) # 数据截取 inputfile <- inputfile[5:16, ] View(inputfile) # 缺失数据的识别 is.na(inputfile) # 判断是否存在缺失 n <- sum(is.na(inputfile)) # 输出缺失值个数 n # 异常值识别 par(mfrow = c(1, 2)) # 将绘图窗口划为1行两列,同时显示两图 dotchart(inputfile$sales) # 绘制单变量散点图 boxplot(inputfile$sales, horizontal = TRUE) # 绘制水平箱形图 # 异常数据处理 inputfile$sales[5] = NA # 将异常值处理成缺失值 fix(inputfile) # 表格形式呈现数据 # 缺失值的处理 inputfile$date <- as.numeric(inputfile$date) # 将日期转换成数值型变量 sub <- which(is.na(inputfile$sales)) # 识别缺失值所在行数 sub # 将数据集分成完整数据和缺失数据两部分 inputfile1 <- inputfile[-sub, ] inputfile2 <- inputfile[sub, ] # 行删除法处理缺失,结果转存 result1 <- inputfile1 View(result1) # 均值替换法处理缺失,结果转存 avg_sales <- mean(inputfile1$sales) # 求变量未缺失部分的均值 avg_sales # 用均值替换缺失 inputfile2$sales <- rep(avg_sales,n) # 并入完成插补的数据 result2 <- rbind(inputfile1, inputfile2) View(result2) # 回归插补法处理缺失,结果转存 # 回归模型拟合 # 注意:因变量~自变量 model <- lm(sales ~ date, data = inputfile1) # 模型预测 inputfile2$sales <- predict(model, inputfile2) result3 <- rbind(inputfile1, inputfile2) # 多重插补法处理缺失,结果转存 library(lattice) # 调入函数包 library(MASS) library(nnet) library(mice) # 前三个包是mice的基础 # 4重插补,即生成4个无缺失数据集 imp <- mice(inputfile, m = 4) # 选择插补模型 # inputfile为原始数据,有缺失 fit <- with(imp,lm(sales ~ date, data = inputfile)) # m重复完整数据分析结果池 pooled <- pool(fit) summary(pooled) result4 <- complete(imp, action = 3) # 选择第三个插补数据集作为结果
补充:R语言数据缺失值处理(随机森林,多重插补)
缺失值是指数据由于种种因素导致的数据不完整,可以分为机械原因和人为原因。对于缺失值我们通常采用以下几种方法来进行插补。
1.读取数据
通过read.csv函数导入文档,也可以用其他函数读入,如openxlsx::read.xlsx,read.table等。
head()查看数据前几行。
airquality <- read.csv(data.csv) head(airquality)
2.检查数据完整性
首先,summary()查看数据基本信息
summary(airairquality)
可以看到Ozone中存在缺失值NA
通过调用VIM::aggr()查看函数的缺失值(如果包安装较慢,可选用本地安装,链接已附需自行下载)
#install.packages(‘VIM') library(VIM) aggr(airquality)
通过上图,可以看到Ozone和Solar.R存在缺失值。
3.缺失值填补
3.1简单处理填补
(1)删除缺失值
若样本中存在较少缺失值或缺失值比例较小不影响分析结果时,可选择直接将缺失值删除。
dat1 <- na.omit(airquality)
(2)平均值、中位数填补
若不能直接将缺失值删除也可选择平均值、众数、中位数等进行填补
#平均值填补 airquality$ Ozone[is.na(airquality$Ozone)] <- mean(airquality $ Ozone,na.rm=T) #中位数填补 airquality$ Solar.R[is.na(airquality$ Solar.R)] <- median(airquality$ Solar.R,na.rm = T) #计算缺失值个数,等于0 则不存在缺失值 sum(is.na(airquality)) #相邻均值填补 airquality <- read.csv(data.csv) #重新读入数据 for (i in 1:length(airquality$ Ozone)) { airquality$ Ozone[i] <- ifelse(is.na(airquality$ Ozone[i]), mean(c(airquality$ Ozone[i-1],airquality$ Ozone[i+1]),na.rm=T), airquality$ Ozone[i]) }
3.2复杂处理填补
(1)K-近邻算法填补
基本思想:对于需要填补的观测值,先利用欧氏距离找到其邻近的K个观测,再将这K个邻近的值进行加权平均进行填补。
原始数据中存在多个缺失值,可以利用DMwR包中的knnImputation()函数进行填补
dat1 <- knnImputation(airquality[,c(1:4)],meth = ‘weighAvg',scale = T)
提取原始数据中的前4列进行填补,meth = 'weighAvg'指使用加权平均的方法进行填补,scale = T指在选取邻近值时,先对数据进行标准化。
aggr(dat1) #查看缺失值分布
(2)随机森林填补缺失值
接下来介绍一个新的填补方法–随机森林填补,随机森林是机器学习中一种常见的方法,以决策树为基分类的器的集成学习模型。
missForest包中missForest()函数可实现随机森林填补,ntree代表模型中的树的棵数,一般情况下,对于高维数据可选择较小的值(如100),以达到快速插补的效果;对于大数据集进行填补时,可能耗时比较多。
library(missForest) dat2 <- missForest(airquality,ntree = 100)
dat2中包含填补好的数据,可利用dat2$ximp查看填补后的值,
head(dat2$ximp) aggr(dat2$ximp)
同时,OOBerror表示袋外填补缺失的误差估计。
dat2$OOBerror
4.多重插补法
多重插补法是在一个缺失的数据集中生成一个完整的数据集,并利用蒙特卡洛的方法进行填补的一种重复模拟的方法。
包mice中的mice()函数可实现对缺失数据的多重插补,原数据集中Ozone和Solar.R变量存在缺失,采用‘rf'法插补。
dat3 <- mice(airquality,m=5,method = ‘rf')
其中,m为生成完整数据集的个数,默认为5. method为插补参数的方法,‘norm.predict'、‘pmm'、‘rf'、‘norm'依次为回归预测法、平均值插补法、随机森林法和高斯线性回归法。
summary(dat3)
通过以下代码可查看填补的值
dat3$ imp$Solar.R
最后选择某一列(如1,2,3)填充到缺失数据集中即可形成完整的数据集.
以上为个人经验,希望能给大家一个参考,也希望大家多多支持好代码网。如有错误或未考虑完全的地方,望不吝赐教。