在真实的世界中，缺失数据是经常出现的，并可能对分析的结果造成影响。在R中，经常使用VIM（Visualization and Imputation of Missing values）包来对缺失值进行可视化和插补。在使用VIM绘图时，有些绘图函数会对缺失值会自动进行插补。

缺失数据的分类：

• MCAR(完全随机缺失)：若变量的缺失数据与其他任何观测或未观测的变量都不相关，则数据为MCAR.。
• MAR(随机缺失)：若变量的缺失数据与其他观测变量相关，与未观测变量无关，则数据缺失是随机缺失。
• NMAR（非随机缺失）：若缺失数据不属于MCAR和MAR，则数据是非随机缺失。

大部分处理缺失数据的方法都是假定数据是MCAR或MAR。

一，识别缺失值

R使用NA代表缺失值，NaN（不是一个数）代表不可能的值，符号Inf和-Inf分别代表正无穷和负无穷。

函数is.na()、is.nan()和is.infinite()分别用来识别缺失值，不可能值和无穷值。

函数complete.cases() 可以用来识别矩阵或数据框中的没有缺失值的行，若每行有一个或多个缺失值，则返回FALSE。注意，complete.cases()仅把NA和Nan识别为缺失值，无穷值（Inf和-Inf）被当作有效值。

二，探索缺失值的模式

在决定如何处理缺失数据前，了解哪些变量有缺失值、数目有多少、是什么组合等信息，是非常有用的。

1，列表显示缺失值

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，0表示变量的列中存在缺失值，1则表示没有缺失值。注意，md.pattern()函数仅把NA识别为缺失值。

md.pattern(x, plot = TRUE)

例如，以VIM包提供的哺乳动物的睡眠数据（sleep，基础安装包中还有一个描述药效的sleep数据集）。

library(VIM)
library(mice)
data(sleep,package='VIM')
md.pattern(sleep, FALSE)

   BodyWgt BrainWgt Pred Exp Danger Sleep Span Gest Dream NonD   
42       1        1    1   1      1     1    1    1     1    1  0
9        1        1    1   1      1     1    1    1     0    0  2
3        1        1    1   1      1     1    1    0     1    1  1
2        1        1    1   1      1     1    0    1     1    1  1
1        1        1    1   1      1     1    0    1     0    0  3
1        1        1    1   1      1     1    0    0     1    1  2
2        1        1    1   1      1     0    1    1     1    0  2
2        1        1    1   1      1     0    1    1     0    0  3
         0        0    0   0      0     4    4    4    12   14 38

显示的结果中，模式是列的组合，第一列表示模式的数量，最后一列表示行中包含缺失值的列的数量，最后一行表示列中缺失值的数量。

比如，对于第一行，缺失值的数量是0，这样的数据行在数据集中有42个。对于第二行，包含缺失值的列（Dream和NonD 同时缺失）数量是2，这样的行在数据集中有9个。

2，用图形探究缺失数据

VIM包提供了大量能可视化缺失值模式的函数，aggr()、marginplot()和scattMiss()。

library(VIM)
data(sleep,package='VIM')
aggr(sleep,prop=FALSE,numbers=TRUE)

aggr重要参数注释：

• prob：当为TRUE时，显示为缺失值的占比；当为FALSE时，显示为缺失值的数量；
• numbers：是否显示数值，默认为FALSE，不显示缺失值的占比或数量。

 

使用散点图来可视化两个变量的异常值：

library(VIM)
data(sleep,package='VIM')
marginplot(sleep[,c('Gest','Dream')],pch = c(20,1),col=c('darkgray','red','blue'))

对于包含两个变量的数据点，两个变量表示一个点(x,y)，如果x和y都不包含缺失值，称作有效点；如果x或x中有一个包含缺失值，叫做单变量缺失，对于单变量缺失，该函数会自动插补；如果x和y都包含缺失值，叫做不可用点。

marginplot重要参数注释：

• x：包含两列的数据框，第一列是x轴，第二列是y轴，
• pch：点的形状，是个双值的向量，分别用于设置用于显示包含缺失值/插补值的点的形状，和有效点的形状。
• col：向量，用于设置绘图中使用的颜色。第一个颜色用于绘制有效点的散点图和箱图，第二个颜色用于绘制单变量缺失的散点图和箱图；第三个图颜色用于绘制不可用点。

红色箱图表示包含插补值之后的分布，灰色箱图表示有效点的分布。红色的空心点是插补之后的点。

3，用相关性探索缺失值

用指示变量代替数据集中的数据（1代表缺失，0代表存在），这样生成的矩阵有时被称作影子矩阵，求这些指示变量之间的相关性，有助于观察哪些变量经常一起缺失。

library(VIM)
data(sleep,package='VIM')
x <- as.data.frame(abs(is.na(sleep)))
y <- x[which(apply(x,2,sum)>0)]
cor(y)

             NonD       Dream       Sleep        Span        Gest
NonD   1.00000000  0.90711474  0.48626454  0.01519577 -0.14182716
Dream  0.90711474  1.00000000  0.20370138  0.03752394 -0.12865350
Sleep  0.48626454  0.20370138  1.00000000 -0.06896552 -0.06896552
Span   0.01519577  0.03752394 -0.06896552  1.00000000  0.19827586
Gest  -0.14182716 -0.12865350 -0.06896552  0.19827586  1.00000000

可以看到，Dream和NonD常常一起缺失（r=0.91）。

使用影子矩阵和原始数据之间的相关性，可以探索数据缺失的类型。

cor(sleep,y,use='pairwise.complete.obs')

                NonD       Dream        Sleep        Span        Gest
BodyWgt   0.22682614  0.22259108  0.001684992 -0.05831706 -0.05396818
BrainWgt  0.17945923  0.16321105  0.007859438 -0.07921370 -0.07332961
NonD              NA          NA           NA -0.04314514 -0.04553485
Dream    -0.18895206          NA -0.188952059  0.11699247  0.22774685
Sleep    -0.08023157 -0.08023157           NA  0.09638044  0.03976464
Span      0.08336361  0.05981377  0.005238852          NA -0.06527277
Gest      0.20239201  0.05140232  0.159701523 -0.17495305          NA
Pred      0.04758438 -0.06834378  0.202462711  0.02313860 -0.20101655
Exp