r语言将变量中的缺失值赋值怎么写

1、定义一个变量m，并使用函数c（）进行对变量m赋值，使用的是“->”，如下图所示。

2、可以不使用函数，直接使用“->”进行赋值。

3、也可以倒过来赋值，将变量放在函数后面，还是使用“->”赋值。

4、可以使用assign对变量进行赋值，前面参数是被赋值的变量，后面是需要的对象。

5、定义一个变量w，使用函数c()进行赋值；定义一个变量c，取w变量的倒数。

6、定义变量k，使用函数c()进行赋值；再定义一个变量h，使用k进行赋值，就完成了。

缺失值被认为是预测建模的首要障碍，尽管一些机器学习算法声称能够从根本上解决这个问题，但是谁又能知道究竟在“黑盒子”里能解决得多好。

缺失值填补方法的选择，在很大程度上影响了模型的预测能力。一般处理方法是直接删除相关行，但这样并不好，因为会造成信息丢失。

Hmice是一个多用途的软件包，可用于数据分析、高级图形、缺失值处理、高级表格制作、模型拟合和诊断(线性回归、 Logit模型和cox回归)等。 该软件包包含的功能范围广泛，它提供了两个强大的函数，用于处理缺失值。分别为 impute ()和 aregImpute ()。

impute()函数使用用户定义的统计方法(中间值，最大值，平均值等)来估算缺失值。 默认是使用中位数。另一方面，aregImpute()允许使用加性回归、自举和预测平均匹配进行填补（additive regression, bootstrapping, and predictive mean matching）。

bootstrapping对替代原始数据的样本拟合了一个柔性可加模型(非参数回归方法) ，并利用非缺失值(自变量)对缺失值(因变量)进行了预测。然后，使用预测均值匹配(缺省值)来估算缺失值。

使用平均值填充：

使用随机值填充：

同样，还可以使用min,max,median来估算缺失值。

aregImpute ()自动识别变量类型并相应地处理它们：

输出显示预测缺失值的 R 2 值， 数值越高，预测的数值越好。还可以使用以下命令查看估算值：

画个好看一点的图：

估算缺失值：

pmm：预测均值匹配(PMM)-用于数值变量

logreg： (Logit模型)-二元变量

polyreg(Bayesian polytomous regression)：因子变量(>=2个水平)

polr：Proportional odds model(ordered, >= 2 levels)

查看估算的缺失值

由于生成有5个输入数据集，您可以使用 complete ()函数选择任何数据集：

还可以使用5个数据集构建模型，最后将结果合并：

对比一下：

使用生成的6个数据集合并后的回归系数与原始数据的回归系数还是非常接近的。

---