R语言怎么用均值替换,回归插补及多重插补进行插补的操作 - 行业资讯

　　介绍

小编给大家分享一下R语言怎么用均值替换,回归插补及多重插补进行插补的操作,相信大部分人都还不怎么了解,因此分享这篇文章给大家参考一下,希望大家阅读完这篇文章后大有收获、下面让我们一起去了解一下吧!

用均值替换,回归插补及多重插补进行插补

#,设置工作空间　　#,把“数据及程序”文件夹拷贝到F盘下,再用setwd设置工作空间　　setwd (“E: \ \ R_workspace \ \ R语言数据分析与挖掘实战\ \ chp4") 　　#,读取销售数据文件,提取标题行　　inputfile & lt;作用;read.csv(& # 39;。/数据/catering_sale.csv& # 39;,, header =,真的), 　　视图(inputfile) 　　#,变换变量名　　inputfile & lt;作用;data.frame (sales =, inputfile $ & # 39;销量& # 39;,,date =, inputfile $ & # 39;日期& # 39;) 　　视图(inputfile) 　　#,数据截取　　inputfile & lt;作用;inputfile [5:16,,) 　　视图(inputfile) 　　#,缺失数据的识别　　is.na (inputfile), #,判断是否存在缺失　　n & lt;安康;和(is.na (inputfile)), #,输出缺失值个数　　n 　　#,异常值识别　　票面价值(mfrow =, c(1, 2)), #,将绘图窗口划为1行两列,同时显示两图　　dotchart (inputfile销售美元),#,绘制单变量散点图　　箱线图(inputfile美元销售,horizontal =,真的),#,绘制水平箱形图　　#,异常数据处理　　inputfile美元销售[5],=,NA #,将异常值处理成缺失值　　修复(inputfile), #,表格形式呈现数据　　#,缺失值的处理　　inputfile date 美元;& lt;作用;as.numeric (inputfile日期美元),#,将日期转换成数值型变量　　sub & lt;作用;(is.na (inputfile销售)美元),#,识别缺失值所在行数　　子　　#,将数据集分成完整数据和缺失数据两部分　　inputfile1 & lt;作用;inputfile(子,,), 　　inputfile2 & lt;作用;inputfile(子,,) 　　#,行删除法处理缺失,结果转存　　result1 & lt;作用;inputfile1 　　视图(result1)编写此表达式　　#,均值替换法处理缺失,结果转存　　avg_sales & lt;作用;意味着(inputfile1销售美元),#,求变量未缺失部分的均值　　avg_sales 　　#,用均值替换缺失　　inputfile2 sales 美元;& lt;作用;代表(avg_sales n), 　　#,并入完成插补的数据　　result2 & lt;作用;rbind (inputfile1, inputfile2), 　　视图(result2) 　　#,回归插补法处理缺失,结果转存　　#,回归模型拟合　　#,注意:因变量~自变量　　model & lt;作用;lm (sales ~,日期,data =, inputfile1), 　　#,模型预测　　inputfile2 sales 美元;& lt;安康;预测(模型,,inputfile2), 　　result3 & lt;作用;rbind (inputfile1, inputfile2) 　　#,多重插补法处理缺失,结果转存　　库(晶格),#,调入函数包　　库(质量) 　　库(nnet) 　　库(老鼠),#,前三个包是老鼠的基础　　4 #,重插补,即生成4个无缺失数据集　　imp & lt;作用;老鼠(inputfile, m =, 4), 　　#,选择插补模型　　#,inputfile为原始数据,有缺失　　fit & lt;作用;与(imp, lm (sales ~,日期,data =, inputfile)), 　　#,m重复完整数据分析结果池　　pooled & lt;作用;池(适合) 　　总结(池) 　　result4 & lt;作用;完成(imp, action =, 3), #,选择第三个插补数据集作为结果

<强>补充:R语言数据缺失值处理(随机森林,多重插补)

缺失值是指数据由于种种因素导致的数据不完整,可以分为机械原因和人为原因。对于缺失值我们通常采用以下几种方法来进行插补。