使用R语言的mice包对缺失值进行填充的一个简单小例子

缺失值处理最简单的办法就是直接删除了，数据存储在csv文件里，使用R语言的read.csv()函数读入，然后使用na.omit()将缺失值忽略掉就可以

当然你的数据缺失值比较多的话，直接将缺失值删除会损失很多数据，这个时候可以考虑缺失值填充，如果是纯数字的数据比较简单的是使用平均值或者中位数填充

使用中位数或者平均值填充可以使用zoo这个R包中的na.aggregate()函数

df<-data.frame(A=c(1,3,5,7,NA),
               B=c(2,4,6,8,NA))
na.aggregate(df,FUN=mean)
na.aggregate(df,FUN=median)

但是数据集里如果还有分类变量的话，这个时候可以采用mice这个R包中的mice()函数，这里有很多填充方法可以选择

image.png

这些方法的具体原理这里就不介绍了，因为我也不太懂，这里就直接选择一个听起来比较高端的方法：随机森林，因为他什么类型的数据都适用

下面直接使用mice这个包内置的数据集boys进行展示

首先使用visdat这个R包对数据的缺失情况进行可视化展示

library(mice)
library(visdat)
library(ggplot2)

vis_dat(boys)

image.png

图中灰色的部分就是缺失值，可以看到缺失数据还挺多的

接下来用随机森林的办法来填充缺失值

tpm<-mice(boys,method = "rf",m=1,seed=1234)

获得填充后的数据集

imputed_df<-complete(tpm)

最后再来画一个图展示一下

vis_dat(imputed_df)+
  theme(legend.justification = c(0,1))

image.png

从图上可以看到缺失值已经被全部填充

具体填充的准确性如何判断呢？暂时还不知道

好了今天的内容就介绍这么多了

欢迎大家关注我的公众号

小明的数据分析笔记本

小明的数据分析笔记本 公众号 主要分享：1、R语言和python做数据分析和数据可视化的简单小例子；2、园艺植物相关转录组学、基因组学、群体遗传学文献阅读笔记；3、生物信息学入门学习资料及自己的学习笔记！