第五章 R语言的缺失值

我们在记录数据时，经常会遇到缺失值。比如，统计一下全班同学的身高，恰巧有些同学今天生病没来，只记录了姓名或序号，却没有记录身高数值，这就造成了缺失。在R语言中，缺失值有两种形式，一种是NA，另一种是NaN，注意大小写。缺失值在实际统计运算中会对结果造成干扰，因此，在一些运算中需要先删除缺失值或使用补缺失（imputation）的方法，将缺失填充上值，再进行计算，降低对结果的影响。

NA表示的是测定的时候为空（Missing）或当前值不可用（Not available）。NaN表示无意义的值，比如0除以0（0/0）或者无穷减去无穷（Inf-Inf）。NaN在实际应用中并不常用，而NA在实际应用中非常常见。NA和NaN都是占位符，无意义，无法进行运算。

可以看一下实例，我们假设记录一个班级同学的身高（height），全班共7名同学（n=7）。

height <- c(171,165,159,198,146,NA,184) # 其中有一个缺失值

接下来，我们需要验证我们一共调差了几个同学，用到之前的length()函数。

length(height) # 查看向量中元素的个数

[1] 7

得到的答案是7，也就是我们一共调查了7个人。接下来，我们做一些基本的统计运算，比如计算这几个人的平均身高。还记得求平均值的函数吗？mean()

mean(height) # 计算平均身高，可以看到，下面的结果是NA，也就是NA对数据的计算造成了干扰

[1] NA

那么，我们应该怎么计算带有NA的均值呢？最简单的方法就是将NA去掉，然后再进行计算。R的内置函数中，已经集成了去掉NA的功能，即是用na.rm=T参数先去除数据中的NA再进行计算。

mean(height, na.rm=T) # 先去掉NA，再计算均值

[1] 170.5

在一些高级运算中，没有直接可用的R语言的内置函数，需要我们自己编写代码进行计算。我们该怎样处理缺失值呢？这就要求我们先知道缺失值的位置或个数，然后再进行相应处理。这里我们用sum()函数再算一次均值。

sumHeight <- sum(height, na.rm=T) # 对所有数据求和

numberHeight <- length(height)-sum(is.na(height)) # 有效数据数量

sumHeight/numberHeight # 计算均值

[1] 170.5

is.na()是专门处理缺失值的函数，它会得到一个与原向量等长的向量，并标注每一个对应的位置是否为缺失值。我们将sum()函数与is.na()函数连用，可以得到缺失值的个数，这可能很难理解，原因很简单，逻辑值FALSE被视为0，而逻辑值TRUE被视为1；is.na()得到的向量中，NA变成了TRUE（也就是1），非NA变成了FLASE（0），因此，用sum()函数可以求出缺失个数。下面，我们手动去掉缺失值，然后再计算平均值，用到which()函数，用来显示某个值的下标（位置）。

heightNoNA <- height[-which(is.na(height))] # 将有NA的数据去掉

heightNoNA <- height[!is.na(height)] # 将有NA的数据去掉

mean(heightNoNA) # 计算均值

[1] 170.5

思考题：

1. 用is.na()求缺失值个数。
2. 不使用is.na()求出缺失值的个数。
3. 写出能将NA下标（位置）显示出来的函数组合。
4. 组合上面函数，写一行代码，直接算出平均值。
   # mean(height[!is.na(height)])