一、为什么R语言里缺失值是个麻烦事儿
平时用R整理数据的时候，肯定遇过这种情况：比如做班级成绩分析，学生的数学成绩那列突然有个单元格是空的；或者做电商用户分析，用户的年龄或者消费金额少了几个值。这些空值在R里叫“NA”，就像考试缺考的空白卷，要是不管它，后面算总分、画图表、做预测时结果就会出错——比如算平均成绩时，带NA的话结果直接变成NA，根本没法用。
1.1 你得先搞懂缺失值的“脾气”
不是所有空值都一样，得先区分类型：第一种是“完全随机缺失”，就像从一摞试卷里随便抽几张撕了，留的空值不影响整体；第二种是“随机但和其他数据有关”，比如数学成绩差的学生可能忘填英语成绩，空值和数学成绩有关；第三种是“故意空值”，比如高分学生觉得自己成绩好不想填，这种空值有偏向，处理起来要特别小心。
二、R语言缺失值处理的核心方法
这部分是重点，每种方法都配了生活化例子和可运行的代码，新手也能直接抄了改。
2.1 直接删掉有缺失的行
这个是最简单粗暴的方式，就像做错题本时发现某一道题完全没写，干脆整页撕了。
# 构造包含一个缺失值的学生成绩表
student_scores <- data.frame(
ID = 1:5, # 学生编号
数学 = c(85, 90, NA, 78, 92), # 数学成绩，第三个学生缺考
语文 = c(88, 92, 80, 85, 90), # 语文成绩
英语 = c(90, 85, 88, 95, 80) # 英语成绩
)
# 查看原始数据，会看到第三个学生的数学是NA
print("原始成绩数据：")
print(student_scores)
# 删掉有缺失值的整行，用na.omit()函数
cleaned_data <- na.omit(student_scores)
# 查看处理后的数据，现在只有4行，第三个学生被删了
print("删除缺失行后的数据：")
print(cleaned_data)
适用场景：缺失值占比低于5%，且是完全随机缺失，比如1000个学生里只有3个缺考，删了不影响整体结果。
2.2 用均值补数值型缺失值
数值型数据比如成绩、收入，用均值补空值，就像缺考的学生用全班平均成绩代替。
# 还是刚才的学生成绩数据
# 计算数学成绩的均值，注意要排除NA，用na.rm=TRUE参数
math_mean <- mean(student_scores$数学, na.rm = TRUE)
# 把数学列里的NA替换成均值
student_scores$数学[is.na(student_scores$数学)] <- math_mean
# 查看补全后的数学成绩，现在第三个学生的数学是均值
print("均值补全后的数学成绩：")
print(student_scores$数学)
适用场景：数值型数据，缺失率在5%-20%，数据呈对称分布（比如正态分布，像身高、考试成绩），但缺点是如果数据有异常值（比如有人考0分），均值会被拉低，补出来的结果就不准。
2.3 用中位数补数值型缺失值
如果数据是偏态分布，比如很多人月收入2000，少数人月入百万，这时候用中位数比均值靠谱——中位数就像中间那个数，不受极端值影响。
# 构造偏态的收入数据，其中有一个高收入的异常值
income_data <- c(2000, 2500, NA, 2200, 50000)
# 计算中位数，排除NA
income_median <- median(income_data, na.rm = TRUE)
# 补全NA
income_data[is.na(income_data)] <- income_median
print("偏态收入数据补全后：")
print(income_data)
2.4 用众数补分类数据的缺失值
分类数据比如班级、性别、喜欢的颜色，这些没法算均值或中位数，就用出现最多的那个值补（也就是众数），比如班级里大部分是一班，那NA就补一班。
# 构造班级数据，有一个缺失值
class_data <- c("一班", "二班", NA, "一班", "一班")
# 统计每个班级的频数，找到出现最多的（众数）
freq_table <- table(class_data)
mode_class <- names(which.max(freq_table))
# 补全NA
class_data[is.na(class_data)] <- mode_class
print("分类数据补全后：")
print(class_data)
2.5 用KNN算法补缺失值（适合精度要求高的场景）
如果数据里的变量是相关的（比如数学和英语成绩通常一起高低），这时候用KNN最近邻算法补，会比单一均值准——就像找和这个学生成绩最像的几个同学，用他们的平均成绩补。
# 先安装VIM包（如果没装的话，运行install.packages("VIM")）
library(VIM)
# 构造有两个缺失值的多变量数据，包含数学、英语成绩和班级
multi_data <- data.frame(
ID = 1:6,
数学 = c(85, 90, NA, 78, 92, 88),
英语 = c(90, NA, 88, 95, 80, 82),
班级 = c("一班", "二班", "一班", "三班", "一班", "二班")
)
# 用KNN补全，k=3表示选最近3个邻居计算
knn_result <- knnImputation(multi_data, k = 3)
print("KNN补全后的数据：")
print(knn_result)
三、不同场景下的策略选择
这部分是核心，碰到哪种情况就选哪种方法，别瞎用。
3.1 场景1：缺失率<5%，完全随机缺失
选直接删除，比如1000个用户里只有5个没填年龄，删了不影响结果，但要注意别删了某一类数据（比如所有女生的年龄都没填，删了就错了）。
3.2 场景2：数值型，缺失率5%-20%，对称分布
选均值补，比如考试成绩是正态分布，全班平均成绩补缺考的，合理。
3.3 场景3：数值型，缺失率5%-20%，偏态分布
选中位数补，比如收入、房价这种有极端值的，中位数不被拉偏，更准。
3.4 场景4：分类/有序数据，缺失率较高（>20%）
选众数补，比如班级数据里30%都是NA，用众数补比删了好多了；如果有相关变量（比如班级和成绩有关），也可以结合其他变量补，但众数最方便。
3.5 场景5：数据精度要求高，多变量相关
选KNN或MICE补，比如做用户消费预测，需要用到多个变量，KNN能利用变量间的关系，补出来的缺失值更真实；缺点是计算慢，数据量小的话效果不好。
四、核心方法的优缺点与注意事项
4.1 各方法优缺点对比
直接删除：优点简单，缺点丢数据，适合缺失少；均值/中位数补：优点简单，缺点引入偏差，适合特定分布；众数补：优点适合分类，缺点只看频数；KNN补：优点精度高，缺点计算慢，需要包支持。
4.2 处理缺失值的通用注意事项
- 先看缺失原因：是数据录入错（比如把0写成NA）还是真的没填？如果是录入错，先改过来再处理；
- 别随便用全局值补：比如给所有分类数据补均值，会出大错；
- 记录补全的位置：别把原始数据改乱，最好备份，补完后对比原始数据的分布，确保没偏差；
- 非随机缺失要谨慎：比如高分学生故意不填成绩，别随便补，最好单独标记这些数据。
五、总结
处理R语言里的缺失值，核心是先搞清楚缺失的类型、数据的类型、缺失率的高低，再选对应的方法，新手别上来就用KNN，先从简单的删和均值补试，等熟悉了再用复杂的方法。还有，处理缺失值不是为了“补全”而补，要结合业务场景——比如学生缺考，先问问老师是真的没填还是录错了，再动手处理，这样结果才靠谱。
评论
围绕“R语言缺失值处理的核心方法与不同场景下的策略选择”参与讨论