数据缺失有多种原因,而大部分统计方法都假定处理的是完整矩阵、向量和数据框。
缺失数据的分类:
完全随机缺失 :若某变量的缺失数据与其他任何观测或未观测变量都不相关,则数据为完全随机缺失(MCAR)。
随机缺失: 若某变量上的缺失数据与其他观测变量相关,与它自己的未观测值不相关,则数据为随机缺失(MAR)。
非随机缺失: 若缺失数据不属于MCAR或MAR,则数据为非随机缺失(NMAR) 。
处理缺失数据的方法有很多,但哪种最适合你,需要在实践中检验。
下面一副图形展示处理缺失数据的方法:
处理数据缺失的一般步骤:
1、识别缺失数据
2、检测导致数据缺失的原因
3、删除包含缺失值的实例或用合理的数值代替(插补)缺失值。
1、识别缺失数据:
R语言中, NA 代表缺失值, NaN 代表不可能值, Inf 和 -Inf 代表正无穷和负无穷。
在这里,推荐使用 is.na , is.nan , is.finite , is.infinite 4个函数去处理。
x<-c(2,NA,0/0,5/0)
#判断缺失值
is.na(x)
#判断不可能值
is.nan(x)
#判断无穷值
is.infinite(x)
#判断正常值
is.finite(x)
推荐一个函数: complete.case() 可用来识别矩阵或数据框中没有缺失值的行!
展示出数据中缺失的行 (数据集sleep来自包VIM)
sleep[!complete.cases(sleep),]
判断数据集中有多少缺失
针对复杂的数据集,怎么更好的探索数据缺失情况呢?
mice包 中的 md.pattern() 函数可以生成一个以矩阵或数据框形式展示缺失值模式的表格。
备注:0表示变量的列中没有缺失,1则表示有缺失值。
第一行给出了没有缺失值的数目(共多少行)。
第一列表示各缺失值的模式。
最后一行给出了每个变量的缺失值数目。
最后一列给出了变量的数目(这些变量存在缺失值)。
在这个数据集中,总共有38个数据缺失。
图形化展示缺失数据:
aggr(sleep,prop=F,numbers=T)
matrixplot(sleep)
浅色表示值小,深色表示值大,默认缺失值为红色。
marginmatrix(sleep)
上述变量太多,我们可以选出部分变量展示:
x <- sleep[, 1:5]
x[,c(1,2,4)] <- log10(x[,c(1,2,4)])
marginmatrix(x)
为了更清晰,可以进行成对展示:
marginplot(sleep[c("Gest","Dream")])
在这里(左下角)可以看到,Dream和Gest分别缺失12和4个数据。
左边的红色箱线图展示的是在Gest值缺失的情况下Dream的分布,而蓝色箱线图展示的Gest值不缺失的情况下Dream的分布。同样的,Gest箱线图在底部。
2、缺失值数据的处理
行删除法: 数据集中含有缺失值的行都会被删除,一般假定缺失数据是完全随机产生的,并且缺失值只是很少一部分,对结果不会造成大的影响。
即:要有足够的样本量,并且删除缺失值后不会有大的偏差!
行删除的函数有 na.omit() 和 complete.case()
newdata<-na.omit(sleep)
sum(is.na(newdata))
newdata<-sleep[complete.cases(sleep),]
sum(is.na(newdata))
均值/中位数等填充: 这种方法简单粗暴,如果填充值对结果影响不怎么大,这种方法倒是可以接受,并且有可能会产生令人满意的结果。
方法1:
newdata<-sleep
mean(newdata$Dream,na.rm = T)
newdata[is.na(newdata$Dream),"Dream"]<-1.972
方法2:
Hmisc包更加简单,可以插补均值、中位数等,你也可以插补指定值。
library(Hmisc)
impute(newdata$Dream,mean)
impute(newdata$Dream,median)
impute(newdata$Dream,2)
mice包插补缺失数据: 链式方程多元插值,首先利用mice函数建模再用complete函数生成完整数据。
下图展示mice包的操作过程:
mice():从一个含缺失值的数据框开始,返回一个包含多个完整数据集对象(默认可以模拟参数5个完整的数据集)
with():可依次对每个完整数据集应用统计建模
pool():将with()生成的单独结果整合到一起
library(mice)
newdata<-sleep
data<-mice(newdata,m = 5,method='pmm',maxit=100,seed=1)
在这里,m是默认值5,指插补数据集的数量
插补方法是pmm:预测均值匹配,可以用methods(mice)查看其他方法
maxit指迭代次数,seed指设定种子数(和set.seed同义)
概述插补后的数据:
summary(data)
在这上面可以看到数据集中变量的观测值缺失情况,每个变量的插补方法, VisitSequence 从左至右展示了插补的变量, 预测变量矩阵 (PredictorMatrix)展示了进行插补过程的含有缺失数据的变量,它们利用了数据集中其他变量的信息。(在矩阵中,行代表插补变量,列代表为插补提供信息的变量,1
和0分别表示使用和未使用。)
查看整体插补的数据:
data$imp
查看具体变量的插补数据:
data$imp$Dream
最后,最重要的是生成一个完整的数据集
completedata<-complete(data)
判断还有没有缺失值,如果没有,结果返回FLASE
anyNA(completedata)
针对以上插补结果,我们可以查看原始数据和插补后的数据的分布情况
library(lattice)
xyplot(data,Dream~NonD+Sleep+Span+Gest,pch=21)
图上,插补值是洋红点呈现出的形状,观测值是蓝色点。
densityplot(data)
图上,洋红线是每个插补数据集的数据密度曲线,蓝色是观测值数据的密度曲线。
stripplot(data, pch = 21)
上图中,0代表原始数据,1-5代表5次插补的数据,洋红色的点代表插补值。
下面我们分析对数据拟合一个线性模型:
完整数据:
library(mice)
newdata<-sleep
data<-mice(newdata,m = 5,method='pmm',maxit=100,seed=1)
model<-with(data,lm(Dream~Span+Gest))
pooled<-pool(model)
summary(pooled)
fim指的是各个变量缺失信息的比例,lambda指的是每个变量对缺失数据的贡献大小
缺失数据(在运行中,自动会行删除):
lm.fit <- lm(Dream~Span+Gest, data = sleep,na.action=na.omit)
summary(lm.fit)
完整数据集和缺失数据集进行线性回归后,参数估计和P值基本一直。 缺失值是完全随机产生的 。如果缺失比重比较大的话,就不适合使用行删除法,建议使用多重插补法。
kNN插值法: knnImputation函数使用k近邻方法来填充缺失值。对于需要插值的记录,基于欧氏距离计算k个和它最近的观测。接着将这k个近邻的数据利用距离逆加权算出填充值,最后用该值替代缺失值。
library(DMwR)
newdata<-sleep
knnOutput <- knnImputation(newdata)
anyNA(knnOutput)
head(knnOutput)
cogcreategraphiclabeltool怎么显示坐标plot()函数默认会绘制坐标轴,当需要单独设置坐标轴时,可以先将axes参数设置为FALSE,再使用axis()进行设置,语法结构如下:
axis(side, at = NULL, labels = TRUE, tick = TRUE, line = NA,
pos = NA, outer = FALSE, font = NA, lty = "solid",
lwd = 1, lwd.ticks = lwd, col = NULL, col.ticks = NULL,
hadj = NA, padj = NA, gap.axis = NA, ...)
登录后复制
side:需要添加坐标轴的位置,1-4分别用于指定底部、左侧、上侧和右侧的坐标轴;
at:需要添加刻度线的位置;
labels:设置是否添加刻度标签;
tick:设置是否显示轴线和刻度线;
line:坐标轴线与边框的行距,同mtext()的同名参数,可忽略;
pos:指定绘制坐标轴线的坐标,可忽略;
outer:为TRUE时以outer margin作为参考;
font、lty、lwd、lwd.ticks、col、col.ticks:美化参数;
hadj、padj:分别用于设置刻度标签与坐标轴线在阅读方向的水平、垂直方向上的距离;
gap.axis:设置刻度标签的最小距离;
...:par()中的相关参数。
plot(sin, 0, 2*pi, type = "l", axes = F)
axis(1, c(0, pi/2, pi, 3*pi/2, 2*pi))
axis(2, c(0, 0.5, 1), labels = F)
axis(3, seq(0, 2*pi, pi/2), tick = F)
axis(4, c(-1, -0.5, 0), line = -2, hadj = 0, col.ticks = "red")
登录后复制
3 图例
R语言的基础绘图系统默认不带图例,需要自定义,相关函数为legend(),语法结构如下:
legend(x, y = NULL, legend, fill = NULL, col = par("col"),
border = "black", lty, lwd, pch,
angle = 45, density = NULL, bty = "o", bg = par("bg"),
box.lwd = par("lwd"), box.lty = par("lty"), box.col = par("fg"),
pt.bg = NA, cex = 1, pt.cex = cex, pt.lwd = lwd,
xjust = 0, yjust = 1, x.intersp = 1, y.intersp = 1,
adj = c(0, 0.5), text.width = NULL, text.col = par("col"),
text.font = NULL, merge = do.lines &&has.pch, trace = FALSE,
plot = TRUE, ncol = 1, horiz = FALSE, title = NULL,
inset = 0, xpd, title.col = text.col, title.adj = 0.5,
seg.len = 2)
登录后复制
先绘制一个含有两条曲线的图形:
plot(1:10, sin(1:10), type = "b", pch = 21, col = "red")
lines(1:10, cos(1:10), type = "b", pch = 22, col = "blue")
登录后复制
基本的图例样式
x和y:图例摆放的位置,可以使用坐标,也可以使用如下关键字:"bottomright"、 "bottom"、 "bottomleft"、"left"、 "topleft"、 "top"、"topright"、 "right" 和 "center",此时y缺省;
legend:图例的描述文本;
title:图例标题;
用于区分组别的参数,常见的如形状、颜色等。
plot(1:10, sin(1:10), type = "b", pch = 21, col = "red")
lines(1:10, cos(1:10), type = "b", pch = 22, col = "blue")
legend("bottomleft", legend = c("sin(x)", "cos(x)"), title = "图例",
pch = c(21, 22), lty = 1, col = c("red", "blue"), pt.bg = "white")
登录后复制
用于区分组别的参数
点要素:pch、cex、col、pt.bg、pt.cex、pt.lwd;
线要素:lty、lwd、col;
merge:控制是否将点、线作为整体,默认为TRUE;
面或箱型要素:fill(填充色)、border(边框颜色)。
plot(1, type = "n")
legend("topleft", legend = c("A", "B"),
pch = c(21, 22), lty = 1, col = c("red", "blue"))
legend("topright", legend = c("A", "B"),
pch = c(21, 22), lty = 1, col = c("red", "blue"),
merge = F)
legend("left", legend = c("A", "B"), pch = 21, pt.bg = c("red", "blue"))
legend("right", legend = c("A", "B"), lty = c(1,2), lwd = 2, col = c("red", "blue"))
legend("center", legend = c("A", "B"), fill = c("red", "blue"), border = "green")
登录后复制
设置图例的颜色、边框
bg:图例的背景色;
box.lty、box.lwd、box.col:图例边框的线条类型、宽度和颜色。
plot(1, type = "n")
legend("left", legend = c("A", "B"), fill = c("red", "blue"),
bg = "grey")
legend("right", legend = c("A", "B"), fill = c("grey", "grey"), box.col = c("red", "blue"))
legend("center", legend = c("A", "B"), fill = c("grey", "grey"), box.lty = 2, box.col = "red")
登录后复制
对齐与距离调整
xjust、yjust:图例位置与坐标的对齐方式,xjust默认为0,即左对齐;yjust默认为1,即上对齐;
x.intersp、y.intersp:分别调整图例中水平、垂直方向的间距;
adj:调整图例文本的位置,正数表示向默认位置左侧或下侧调整,负数表示向右侧或上侧调整;
inset:使用关键词设置图例位置时,控制图例边缘与plot side的位置,以plot region长宽的分数表示。
plot(1, type = "n")
legend(0.8, 1, legend = c("A", "B"), fill = c("red", "blue"), bg = "grey",
xjust = 1, yjust = 0)
legend(0.8,1, legend = c("A", "B"), fill = c("grey", "grey"), box.col = c("red", "blue"),
x.intersp = 2, y.intersp = 2)
legend("center", legend = c("A", "B"), fill = c("grey", "grey"), box.lty = 2, box.col = "red",
adj = c(-2, 2))
legend("bottom", legend = c("A", "B"), fill = c("grey", "grey"), box.lty = 2, box.col = "red",
inset = 0.05)
登录后复制
图例文本美化
text.width、text.col、text.font;
title.col、title.adj:图例标题的颜色和水平对齐方式;
ncol:图例内要素列数,默认为1;
horiz:为TRUE时水平方向排列图例要素,此时参数ncol失效。
plot(1, type = "n")
legend("center", legend = c("A", "B"), fill = c("red", "blue"), bg = "grey",
text.col = c("red", "blue"), text.font = 3)
legend("top", legend = c("A", "B"), fill = c("red", "blue"), bg = "grey", title = "图例",
title.col = "green", title.adj = 1)
legend("left", legend = c("A", "B"), fill = c("red", "blue"), bg = "grey",
ncol = 2)
legend("right", legend = c("A", "B"), fill = c("red", "blue"), bg = "grey",
horiz = T)
登录后复制
其他plot:为FALSE时图例不显示。