資料結構
網路
關係資料庫管理系統 (RDBMS)
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 語言程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
服裝學
法學如何使用列的平均值填充 R 資料框中的缺失值？
處理缺失值是資料分析的最初步驟之一，也是最困難的步驟之一，因為如果不使用適當的方法填充缺失值，則整個分析的結果可能會毫無意義。因此，我們必須非常小心地處理缺失值。出於學習目的，人們大多使用平均值來填充缺失值，但也可以根據資料的特性使用許多其他值。要使用列的平均值填充缺失值，可以使用 zoo 包的 na.aggregate 函式。
示例
考慮以下資料框：
x1<-c(1:5,NA,17:30) x2<-c(1:2,NA,4:20) x3<-sample(c(1,5,8,NA,6,3),20,replace=TRUE) x4<-sample(c(45,75,68,NA,36,43),20,replace=TRUE) x5<-rep(c(23,45,55,78,NA),times=4) df<-data.frame(x1,x2,x3,x4,x5) df
輸出
x1 x2 x3 x4 x5 1 1 1 6 36 23 2 2 2 5 36 45 3 3 NA 1 68 55 4 4 4 1 43 78 5 5 5 3 45 NA 6 NA 6 3 75 23 7 17 7 5 68 45 8 18 8 6 43 55 9 19 9 NA 75 78 10 20 10 8 75 NA 11 21 11 3 43 23 12 22 12 1 68 45 13 23 13 8 45 55 14 24 14 5 36 78 15 25 15 5 36 NA 16 26 16 5 75 23 17 27 17 5 75 45 18 28 18 6 43 55 19 29 19 8 NA 78 20 30 20 6 75 NA
示例
library(zoo) na.aggregate(df)
輸出
x1 x2 x3 x4 x5 1 1.00000 1.00000 6.000000 36.00000 23.00 2 2.00000 2.00000 5.000000 36.00000 45.00 3 3.00000 10.89474 1.000000 68.00000 55.00 4 4.00000 4.00000 1.000000 43.00000 78.00 5 5.00000 5.00000 3.000000 45.00000 50.25 6 18.10526 6.00000 3.000000 75.00000 23.00 7 17.00000 7.00000 5.000000 68.00000 45.00 8 18.00000 8.00000 6.000000 43.00000 55.00 9 19.00000 9.00000 4.736842 75.00000 78.00 10 20.00000 10.00000 8.000000 75.00000 50.25 11 21.00000 11.00000 3.000000 43.00000 23.00 12 22.00000 12.00000 1.000000 68.00000 45.00 13 23.00000 13.00000 8.000000 45.00000 55.00 14 24.00000 14.00000 5.000000 36.00000 78.00 15 25.00000 15.00000 5.000000 36.00000 50.25 16 26.00000 16.00000 5.000000 75.00000 23.00 17 27.00000 17.00000 5.000000 75.00000 45.00 18 28.00000 18.00000 6.000000 43.00000 55.00 19 29.00000 19.00000 8.000000 55.78947 78.00 20 30.00000 20.00000 6.000000 75.00000 50.25
讓我們來看另一個例子：
示例
var1 <-sample(c(1,2,NA),20,replace=TRUE) var2 <-sample(c(2,NA),20,replace=TRUE) var3 <-c(rnorm(10),rep(NA,10)) var_data <-data.frame(var1,var2,var3) var_data
輸出
var1 var2 var3 1 1 NA 0.15883062 2 NA 2 0.65976414 3 NA 2 2.22051966 4 NA NA -1.18394507 5 1 NA -0.07395583 6 NA 2 -0.41635467 7 NA NA -0.19148234 8 NA NA 0.06954478 9 1 2 1.15534832 10 2 2 0.59495735 11 2 NA NA 12 1 2 NA 13 NA 2 NA 14 NA NA NA 15 1 NA NA 16 1 NA NA 17 1 2 NA 18 NA 2 NA 19 1 2 NA 20 2 NA NA
示例
na.aggregate(var_data)
輸出
var1 var2 var3 1 1.000000 2 0.15883062 2 1.272727 2 0.65976414 3 1.272727 2 2.22051966 4 1.272727 2 -1.18394507 5 1.000000 2 -0.07395583 6 1.272727 2 -0.41635467 7 1.272727 2 -0.19148234 8 1.272727 2 0.06954478 9 1.000000 2 1.15534832 10 2.000000 2 0.59495735 11 2.000000 2 0.29932269 12 1.000000 2 0.29932269 13 1.272727 2 0.29932269 14 1.272727 2 0.29932269 15 1.000000 2 0.29932269 16 1.000000 2 0.29932269 17 1.000000 2 0.29932269 18 1.272727 2 0.29932269 19 1.000000 2 0.29932269 20 2.000000 2 0.29932269
更新於：2020年8月24日
254 次瀏覽
廣告