R语言进行数据处理

  首先summary数据特性，对于非数值型数据，统计取值的种类数，以及每种出现的频次。对于数值型的特征，统计其数学特性，最小值，第一四分位数，第三四分位数，均值，中位数，最大值，缺失值的数量。

  用可视化的方法进行数据检查，每一维的特征都分开检查。观察其分布是否有明显区别。

 一 缺失值处理： 

   1.将有缺失值的样本去除或者进行填补。

    可以用平均值进行填补（如果满足正态分布的话）；用中位数进行填补（偏态分布或者离群值的分布），这种情况下一次性填补一列的值。

  2.可以通过特征之间的相关关系填补

    用cor算出各个特征间的相关系数，忽略缺失值计算。选择与缺失值有高相关性的特征，构建线性模型（如果两个特征不是同时有缺失值的话）。 

  3.通过样本之间的相关性填补、

  寻找与含有缺失值的样本最相似的10个样本 ，计算这10个样本的中位数或者众数（对于非数值变量）；也可以计算10个样本距离的加权均值，与有缺失值的样本距离最近则权重越大（如果距离为d，权重可以设为e^-d）,注意在计算距离之前要标准化处理。

最后值得注意的是，不管是哪一种填补方法都是有误差存在的，如果数据集的量很大的话，可