作者：黄天元，复旦大学博士在读，热爱数据科学与开源工具（R），致力于利用数据科学迅速积累行业经验优势和科学知识发现，涉猎内容包括但不限于信息计量、机器学习、数据可视化、应用统计建模、知识图谱等，著有《R语言数据高效处理指南》（《R语言数据高效处理指南》(黄天元)【摘要 书评 试读】- 京东图书，《R语言数据高效处理指南》(黄天元)【简介_书评_在线阅读】 - 当当图书）。知乎专栏：R语言数据挖掘。邮箱：huang.tian-yuan@qq.com.欢迎合作交流。
数据存在缺失值的问题在实践工作中屡见不鲜，正确地观察、分析并对缺失值进行合理的处理，是保证数据分析结果有效性的重要前提。一般而言，缺失值分析流程如下：
1、观察哪里缺失（行、列）、缺失多少，是否存在时间序列或空间邻接的连续确实
2、分析缺失原因，数据是如何缺失（随机缺失/非随机缺失）的
3、根据原因，给出处理方案（替换、删除、插补）
一直以来，R语言社区就对缺失值很有办法。而在R语言的新时代，简洁之风（tidy data）更是为这个过程带来极大的便利。这里只推荐一个R包——naniar。
链接如下：
CRAN - Package naniarhttps://github.com/njtierney/naniarData Structures, Summaries, and Visualisations for Missing Data
从表格统计到可视化，一应俱全，在开发版本中更是有很多新的特性。这个包可以对缺失值进行观察、分析、替换、插补，而且未来还会更加优秀，是以mark一下，以备不时之需。
原文作者：；如有侵权，请联系管理员删除。
上一篇：
MongoDB 插入文档
请登录后发表评论
登录
全部评论
