数据预处理之缺失值插补 — 基于R语言

本文结构：前言——数据介绍——检查缺失值分布——缺失值插补（4种方法）——总结

前言：

现实生活中的数据是纷繁杂乱的，收集来的数据有缺失和录入错误司空见惯，所以学习如果处理这些常见问题是每一个数据人必须掌握的技能，俗话说巧妇难为无米之炊，不能很好的处理原始数据会给后来的建模带来麻烦，甚至引入不必要的偏差和错误，数据科学家都熟悉“垃圾进垃圾出”的说法。本文介绍的是数据预处理中非常重要的一步——缺失值处理。

数据介绍：

本文数据来自西南财经大学统计学院李可老师提供的信贷数据。其数据是完好的，共有2万多条记录。本文随机挑选1000条数据，并对其中的贷款额(loan_amnt)和信用等级(grade)随机选取20个数据点设置为缺失值(NA)。

# 设置工作路径
 setwd('D:\\缺失值处理常见办法')
# 加载数据集
 loandata <- read.csv('loanData.csv', header = TRUE)

# 随机选取1000条记录，并将其中部分数据设置为缺失值
 set.seed(1)
 ind <- sample(nrow(loandata), 1000)
 data.sample <- na.omit(loandata)[ind,]     # 确保样本数据是无缺失的
 data.copy <- data.sample                   # 复制数据，为后来的结果做对比操作

 data.copy$loan_amnt[sample(nrow(data.copy), 20)] <- NA        #设置缺失值
 data.copy$grade[sample