一定要先了解缺失机制，即为什么会产生缺失值。

对于随机产生的缺失值，可以删除，删除的对象分为两类，变量的删除，以及观测值的删除。当某一变量的缺失值比例很高的时候，可以直接删除，也可以用哑变量进行标志。

但缺失值的产生不是随机的，要根据它产生原因用不同的方法填补；

主要介绍三个包的常用于填补缺失值的函数。

思路一般是要定位缺失值以及查看缺失值的数量：

is.na()

sum(is.na())

md.pattern() mice包

computemissings包

填充：na.fill()

填充，是一个比较有意思的操作，你的原始数据有可能会有缺失值NA，在做各种计算时，就会出现有问题。一种方法是，你把NA值都去掉；另外一种方法是，你把NA值进行填充后再计算。那么在填充值时，就有一些讲究了。

把NA值进行填充。

# 生成数据框 > df<-data.frame(a=c(1,NA,NA,2,NA), + b=c('B','A','B','B',NA), + c=c(rnorm(2),NA,NA,NA));df a b c 1 1 B 0.2670988 2 NA A -0.5425200 3 NA B NA 4 2 B NA 5 NA <NA> NA # 把数据框a列的NA，用9进行填充 > na.fill(df$a,9) [1] 1 9 9 2 9 # 把数据框中的NA，用1进行填充 一定要先了解缺失机制，即为什么会产生缺失值。对于随机产生的缺失值，可以删除，删除的对象分为两类，变量的删除，以及观测值的删除。当某一变量的缺失值比例很高的时候，可以直接删除，也可以用哑变量进行标志。但缺失值的产生不是随机的，要根据它产生原因用不同的方法填补；主要介绍三个包的常用于填补缺失值的函数。思路一般是要定位缺失值以及查看缺失值的数量：is.na()sum(is.na(...