r - 在 R 中编码缺失数据

Question

我有一个数据集，其中的数据检查显示以下一些内容，所有这些都应该丢失

'missing'
'unknown'
'uncoded'

我认为我可以用“NA”替换所有出现的这些是否正确？这是首选的方式吗？

var[var=='missing'] <- NA
var[var=='unknown'] <- NA
var[var=='uncoded'] <- NA

Answer 1

您展示的内容是可行的，但您可以将代码简化为通过 %in% 二元运算符进行比较的单个调用。这是一个使用一些虚拟数据的示例:

set.seed(1)
var <- factor(sample(c("missing","unknown","uncoded", 1:4), 100, replace = TRUE))

这给了我们一个这样的因子向量:

> head(var)
[1] unknown uncoded 2       4       unknown 4      
Levels: 1 2 3 4 missing uncoded unknown
> table(var)
var
      1       2       3       4 missing uncoded unknown 
     14      15      17      13      10      18      13

要将所有编码为 c("missing","unknown","uncoded") 到 NA 的所有值，我们一次性完成:

var2 <- var ## copy for demo purposes, but you can over write if you wish
var2[var2 %in% c("missing","unknown","uncoded")] <- NA

给出

> var2[var2 %in% c("missing","unknown","uncoded")] <- NA
> head(var2)
[1] <NA> <NA> 2    4    <NA> 4   
Levels: 1 2 3 4 missing uncoded unknown
> table(var2)
var2
      1       2       3       4 missing uncoded unknown 
     14      15      17      13       0       0       0

注意原始关卡是如何保留的。如果您想删除这些级别，那么我们可以将 droplevels() 函数应用于 var2:

var2 <- droplevels(var2)

给出

> head(var2)
[1] <NA> <NA> 2    4    <NA> 4   
Levels: 1 2 3 4
> table(var2)
var2
 1  2  3  4 
14 15 17 13

另请注意，默认情况下 NA 不会显示在表格输出中，但我们对此进行了纠正以向您展示它们仍然存在:

> table(var2, useNA = "ifany")
var2
   1    2    3    4 <NA> 
  14   15   17   13   41