4.5　缺失值

在任何规模的项目中，数据都可能由于未作答问题、设备故障或误编码数据的缘故而不完整。在R中，缺失值以符号NA（Not Available，不可用）表示。不可能出现的值（例如，被0除的结果）通过符号NaN（Not a Number，非数值）来表示。与SAS等程序不同，R中字符型和数值型数据使用的缺失值符号是相同的。

R提供了一些函数，用于识别包含缺失值的观测。函数is.na()允许你检测缺失值是否存在。假设你有一个向量：

  1. y <- c(1, 2, 3, NA)

然后使用函数：

  1. is.na(y)

将返回c(FALSE, FALSE, FALSE, TRUE)。

请注意is.na()函数是如何作用于一个对象上的。它将返回一个相同大小的对象，如果某个元素是缺失值，相应的位置将被改写为TRUE，不是缺失值的位置则为FALSE。代码清单4-3将此函数应用到了我们的leadership数据集上。

代码清单4-3　使用is.na()函数

  1. > is.na(leadership[,6:10])
  2.         q1    q2    q3    q4    q5
  3. [1,] FALSE FALSE FALSE FALSE FALSE
  4. [2,] FALSE FALSE FALSE FALSE FALSE
  5. [3,] FALSE FALSE FALSE FALSE FALSE
  6. [4,] FALSE FALSE FALSE  TRUE  TRUE
  7. [5,] FALSE FALSE FALSE FALSE FALSE

这里的leadership[,6:10]将数据框限定到第6列至第10列，接下来is.na()识别出了缺失值。

注意　缺失值被认为是不可比较的，即便是与缺失值自身的比较。这意味着无法使用比较运算符来检测缺失值是否存在。例如，逻辑测试myvar == NA的结果永远不会为TRUE。作为替代，你只能使用处理缺失值的函数（如本节中所述的那些）来识别出R数据对象中的缺失值。

4.5.1　重编码某些值为缺失值

如4.3节中演示的那样，你可以使用赋值语句将某些值重编码为缺失值。在我们的leadership示例中，缺失的年龄值被编码为99。在分析这一数据集之前，你必须让R明白本例中的99表示缺失值（否则这些样本的平均年龄将会高得离谱！）。你可以通过重编码这个变量完成这项工作：

  1. leadership$age[leadership$age == 99] <- NA

任何等于99的年龄值都将被修改为NA。请确保所有的缺失数据已在分析之前被妥善地编码为缺失值，否则分析结果将失去意义。

4.5.2　在分析中排除缺失值

确定了缺失值的位置以后，你需要在进一步分析数据之前以某种方式删除这些缺失值。原因是，含有缺失值的算术表达式和函数的计算结果也是缺失值。举例来说，考虑以下代码：

  1. x <- c(1, 2, NA, 3)
  2. y <- x[1] + x[2] + x[3] + x[4]
  3. z <- sum(x)

由于x中的第3个元素是缺失值，所以y和z也都是NA（缺失值）。

好在多数的数值函数都拥有一个na.rm=TRUE选项，可以在计算之前移除缺失值并使用剩余值进行计算：

  1. x <- c(1, 2, NA, 3)
  2. y <- sum(x, na.rm=TRUE)

这里，y等于6。

在使用函数处理不完整的数据时，请务必查阅它们的帮助文档（例如，help(sum)），检查这些函数是如何处理缺失数据的。函数sum()只是我们将在第5章中讨论的众多函数之一，使用这些函数可以灵活而轻松地转换数据。

你可以通过函数na.omit()移除所有含有缺失值的观测。na.omit()可以删除所有含有缺失数据的行。在代码清单4-4中，我们将此函数应用到了leadership数据集上。

代码清单4-4　使用na.omit()删除不完整的观测

  1. > leadership        # 含有缺失数据的数据框
  2.   manager     date country gender age q1 q2 q3 q4 q5
  3. 1       1 10/24/08      US      M  32  5  4  5  5  5
  4. 2       2 10/28/08      US      F  40  3  5  2  5  5
  5. 3       3 10/01/08      UK      F  25  3  5  5  5  2
  6. 4       4 10/12/08      UK      M  39  3  3  4 NA NA
  7. 5       5 05/01/09      UK      F  99  2  2  1  2  1
  9. > newdata <- na.omit(leadership)      # 仅含完整观测的数据框
  10. > newdata
  11.   manager     date country gender age q1 q2 q3 q4 q5
  12. 1       1 10/24/08      US      M  32  5  4  5  5  5
  13. 2       2 10/28/08      US      F  40  3  5  2  5  5
  14. 3       3 10/01/08      UK      F  25  3  5  5  5  2
  15. 5       5 05/01/09      UK      F  99  2  2  1  2  1

在结果被保存到newdata之前，所有包含缺失数据的行均已从leadership中删除。

删除所有含有缺失数据的观测（称为行删除，listwise deletion）是处理不完整数据集的若干手段之一。如果只有少数缺失值或者缺失值仅集中于一小部分观测中，行删除不失为解决缺失值问题的一种优秀方法。但如果缺失值遍布于数据之中，或者一小部分变量中包含大量的缺失数据，行删除可能会剔除相当比例的数据。我们将在第15章中探索若干更为复杂精妙的缺失值处理方法。下面，让我们谈谈日期值。