文章目录
-
- [1. 先看一眼数据长什么样](#1. 先看一眼数据长什么样)
- [2. 诊断缺失情况------这是第一步，不能跳](#2. 诊断缺失情况——这是第一步，不能跳)
- [3. 方法一：删除缺失值（适合缺失很少的情况）](#3. 方法一：删除缺失值（适合缺失很少的情况）)
- [4. 方法二：均值填充（国赛最常用，没有之一）](#4. 方法二：均值填充（国赛最常用，没有之一）)
- [5. 方法三：中位数填充（数据有极端值时用）](#5. 方法三：中位数填充（数据有极端值时用）)
- [6. 方法四：线性插值（时间序列数据专用）](#6. 方法四：线性插值（时间序列数据专用）)
- [7. 方法五：多重插补（精准但慢，谨慎使用）](#7. 方法五：多重插补（精准但慢，谨慎使用）)
- [8. 实战总结：这 4 种情况直接套用](#8. 实战总结：这 4 种情况直接套用)
- [9. 论文里直接抄这段（修改列名和数字就行）](#9. 论文里直接抄这段（修改列名和数字就行）)
- [10. 最后两句叮嘱](#10. 最后两句叮嘱)
0、引言
倒计时2天，这时候整理缺失值处理的R语言方案正是时候。赛场上数据往往不完美，有一套清晰的预处理思路能省下不少时间。我把缺失值处理的思路和常用R代码整理成了下面这个流程，你可以直接参考：
赛前最后两天，别再纠结理论了。本文用 R 自带的
airquality数据集，给你一套直接能跑的缺失值处理流程，复制粘贴就能用。
1. 先看一眼数据长什么样
r
# 加载 R 自带的纽约空气质量数据
data("airquality")
df <- airquality
# 看看前几行
head(df)输出：
| Ozone | Solar.R | Wind | Temp | Month | Day | |
|---|---|---|---|---|---|---|
| 1 | 41 | 190 | 7.4 | 67 | 5 | 1 |
| 2 | 36 | 118 | 8.0 | 72 | 5 | 2 |
| 3 | 12 | 149 | 12.6 | 74 | 5 | 3 |
| 4 | 18 | 313 | 11.5 | 62 | 5 | 4 |
| 5 | NA | NA | 14.3 | 56 | 5 | 5 |
| 6 | 28 | NA | 14.9 | 66 | 5 | 6 |
可以看到第 5 行 Ozone 和 Solar.R 都是缺失值（NA）。
2. 诊断缺失情况------这是第一步，不能跳
r
# 每列缺了多少个
colSums(is.na(df))运行结果：
r
Ozone Solar.R Wind Temp Month Day
37 7 0 0 0 0 信息很清晰：
- Ozone：缺 37 个，占 24.2%（总共 153 行）
- Solar.R：缺 7 个，占 4.6%
- 其他 4 列：完整
结论：Ozone 缺失需要认真处理，Solar.R 缺失较少，简单处理即可。
3. 方法一：删除缺失值（适合缺失很少的情况）
Solar.R 只缺 7 个（4.6%），直接删掉这几行，对整体数据影响很小。
r
# 只删除 Solar.R 这一列中有缺失的行
df_drop <- df[!is.na(df$Solar.R), ]
# 验证：Solar.R 的缺失变成 0 了
colSums(is.na(df_drop))运行结果：
Ozone Solar.R Wind Temp Month Day
37 0 0 0 0 0 Ozone 的 37 个缺失还在，但 Solar.R 已经干净了。
什么时候用删除法？ 缺失率低于 5% 时，直接删行最省事。
4. 方法二：均值填充（国赛最常用，没有之一）
Ozone 缺了 24.2%，直接删会损失太多信息，用均值填进去。
r
# 从原始数据重新开始
df <- airquality
# 计算 Ozone 的均值（忽略缺失值）
mean_ozone <- mean(df$Ozone, na.rm = TRUE)
mean_ozone运行结果：
[1] 42.12931Ozone 的平均值是 42.13，接下来把所有的 NA 替换成这个数。
r
# 把 Ozone 中的 NA 替换成均值
df$Ozone[is.na(df$Ozone)] <- mean_ozone
# 验证：Ozone 的缺失变成 0 了
colSums(is.na(df))运行结果：
Ozone Solar.R Wind Temp Month Day
0 7 0 0 0 0 现在只剩 Solar.R 还有 7 个缺失了。
5. 方法三：中位数填充（数据有极端值时用）
如果数据里有特别大或特别小的异常值，中位数比均值更稳健。
先看看 Ozone 的分布：
r
summary(df$Ozone)运行结果：
Min. 1st Qu. Median Mean 3rd Qu. Max.
1.00 18.00 31.50 42.13 63.50 168.00 最大值 168，最小值 1，差距很大，说明有极端值。这种情况下中位数（31.5）比均值（42.13）更代表"典型值"。
r
# 用中位数填充
df <- airquality # 重新加载原始数据
median_ozone <- median(df$Ozone, na.rm = TRUE)
df$Ozone[is.na(df$Ozone)] <- median_ozone
colSums(is.na(df))什么时候选均值？什么时候选中位数？
- 数据大致对称、没有极端值 → 用均值
- 数据有偏斜、有明显极端值 → 用中位数
- 不确定的话，优先选中位数，因为它更稳健
6. 方法四：线性插值（时间序列数据专用）
airquality 是按 5 月到 9 月每天记录的数据，有明确的时间顺序。对这类数据，用前后两天的平均值来填，比用全局均值更合理。
r
library(zoo)
df <- airquality # 重新加载原始数据
# 对 Ozone 做线性插值
df$Ozone <- na.approx(df$Ozone)
# 检查首尾是否还有 NA（na.approx 无法插值首尾）
colSums(is.na(df))运行结果：
Ozone Solar.R Wind Temp Month Day
1 7 0 0 0 0 Ozone 还剩 1 个 NA（如果第 1 行或最后 1 行是缺失，na.approx 填不了），用 na.fill 补上：
r
df$Ozone <- na.fill(df$Ozone, "extend") # 用相邻值延伸填充
colSums(is.na(df))运行结果全部为 0。
7. 方法五：多重插补（精准但慢，谨慎使用）
如果缺失比例很高（比如超过 30%），且你后续要做回归或统计检验，mice 包的多重插补是最严谨的方法。
r
library(mice)
df <- airquality
# 只选有缺失的列做插补
df_sub <- df[, c("Ozone", "Solar.R", "Wind", "Temp")]
# 生成 5 个完整数据集
imp <- mice(df_sub, m = 5, method = "pmm", seed = 123, printFlag = FALSE)
# 提取第 1 个完整数据集
df_complete <- complete(imp, 1)
colSums(is.na(df_complete))运行结果全部为 0。
但是 ，mice 运行需要时间，国赛时间紧张，除非缺失非常严重，否则优先用均值/中位数填充。
8. 实战总结：这 4 种情况直接套用
| 缺失比例 | 你的数据长什么样 | 直接用这段代码 |
|---|---|---|
| < 5% | 个别行缺了一两个值 | df <- df[!is.na(df$列名), ] |
| 5%-30%，数值正常 | 普通连续型数据 | df$列[is.na(df$列)] <- mean(df$列, na.rm = TRUE) |
| 5%-30%，有极端值 | 最大最小差好几倍 | df$列[is.na(df$列)] <- median(df$列, na.rm = TRUE) |
| 有前后顺序 | 按天/年记录的数据 | library(zoo); df$列 <- na.approx(df$列) |
9. 论文里直接抄这段（修改列名和数字就行）
原始数据中，Ozone 变量存在 37 个缺失值，占样本总量的 24.2%。由于该变量存在极端值（最小值 1，最大值 168），为避免均值受异常值影响，本文采用中位数替代法对缺失值进行填充。填充后各变量均无缺失，有效样本量为 153 条。
10. 最后两句叮嘱
-
分类变量（男/女、是/否） 不能用均值，要用众数填充：
r# 找出出现次数最多的值 mode_val <- names(sort(table(df$性别), decreasing = TRUE))[1] df$性别[is.na(df$性别)] <- mode_val -
如果数据有分组 （比如男生一组、女生一组），要分组分别填充，不要在整个数据集上求均值。
把上面每段代码单独复制到 RStudio 里跑一遍，观察每一步 colSums(is.na(df)) 的变化，这个流程就掌握了。比赛加油！💪