R语言中存在一些null-able values，当我们进行数据分析时，理解这些值是非常重要的。

通常来说，R语言中存在：

• NA
• NULL
• NaN
• Inf/-Inf

这四种数据类型在R中都有相应的函数用以判断。

NA

NA即Not available，是一个 长度为1的逻辑常数 ，通常代表缺失值。NA可以被强制转换为任意其他数据类型的向量。

> a <- NA
> class(a)
[1] "logical"
> length(a)
[1] 1

可以采用is.na()进行判断。另外，NA和“NA”不可以互换。

NULL

NULL是一个 对象（object） ，当 表达式或函数产生无定义的值 或者 导入数据类型未知的数据 时就会返回NULL。

> b <- NULL
> class(b)
[1] "NULL"
> length(b)
[1] 0

可以采用is.null()进行判断。

NaN

NaN即Not A Number，是一个 长度为1的逻辑值向量 。

> c <- NaN
> class(c)
[1] "numeric"
> length(c)
[1] 1
> is.finite(c)
[1] FALSE

可以采用is.nan()进行判断。另外，我们可以采用is.finite()或is.infinite()函数来判断元素是有限的还是无限的，而对NaN进行判断返回的结果都是False。

Inf/-Inf

Inf即Infinity无穷大，通常代表一个很大的数或 以0为除数的运算结果 ，Inf说明数据并没有缺失（NA）。

> d <- Inf
> class(d)
[1] "numeric"
> length(d)
[1] 1

可以采用is.finite()或is.finite()进行判断。

缺失值NA的处理

理解完四种类型数值以后，我们来看看该采取什么方法来处理最常见的缺失值NA。

小白学统计在推文 《有缺失值怎么办？系列之二：如何处理缺失值》 里说“ 处理缺失值最好的方式是什么？答案是：没有最好的方式。或者说，最好的方式只有一个，预防缺失，尽量不要缺失。 ”

1 直接删除法

在缺失数很少且数据量很大的时候，直接删除法的效率很高，而且通常对结果的影响不会太大。

如数据框df共有1000行数据，有10行包含NA，不妨直接采用函数na.omit()来去掉带有NA的行，也可以使用tidyr包的drop_na()函数来指定去除哪一列的NA。

drop_na(df,X1) # 去除X1列的NA

2 填充法

用其他数值填充数据框中的缺失值NA。

2.1 df[is.na(df)]

df[is.na(df)] = 0