用mice包处理缺失值|R包

测试开头

1、数据准备

  1. > Z1=read.table('clipboard',header=T) #读入数据
  2. > head(Z1)                            #查看前六行
  3.    Age Gender Cholesterol SystolicBP  BMI Smoking Education
  4. 1 67.9 Female       236.4      129.8 26.4     Yes      High
  5. 2 54.8 Female       126.0      133.4 28.4      No    Medium
  6. 3 68.4   Male       198.7      158.5 24.1     Yes      High
  7. 4 67.9   Male       205.0      136.0 19.9      No       Low
  8. 5 60.9   Male       207.7      145.4 26.7      No    Medium
  9. 6 68.4 Female       222.5      130.6 30.6      No       Low
  10. > original <- Z1      #复制源数据，为了和之后做预测精确度对比

从以上程序可以看出，源数据无缺失值，则为了之后进行数据处理为数据添加一些缺失值。

  1. > set.seed(10)  
  2. > Z1[sample(1:nrow(Z1), 20), "Cholesterol"] <- NA  #随机为变量添加缺失值
  3. > Z1[sample(1:nrow(Z1), 20), "Smoking"] <- NA
  4. > Z1[sample(1:nrow(Z1), 20), "Education"] <- NA
  5. > Z1[sample(1:nrow(Z1), 5), "Age"] <- NA
  6. > Z1[sample(1:nrow(Z1), 5), "BMI"] <- NA
  7. > sapply(Z1, function(x) sum(is.na(x)))   #对Z1按照sum函数统计
  8.         Age      Gender Cholesterol  SystolicBP         BMI 
  9.           5           0          20           0           5 
  10.     Smoking   Education 
  11.          20          20 
  12. > library(dplyr) 
  13. > Z1 <- Z1 %>%
  14. +  mutate(Smoking = as.factor(Smoking)) %>% #对变量进行字符转换
  15. +   mutate(Education = as.factor(Education)) %>% 
  16. +   mutate(Cholesterol = as.numeric(Cholesterol))
  17. > str(Z1)
  18. 'data.frame':    24 obs. of  7 variables:
  19.  $ Age        : num  NA 54.8 NA 67.9 60.9 68.4 67.9 60.9 NA 62.9 ...
  20.  $ Gender     : Factor w/ 2 levels "Female","Male": 1 1 2 2 2 1 1 1 2 2 ...
  21.  $ Cholesterol: num  NA NA NA NA NA ...
  22.  $ SystolicBP : num  130 133 158 136 145 ...
  23.  $ BMI        : num  26.4 NA 24.1 19.9 NA 30.6 26.4 28.4 24.1 NA ...
  24.  $ Smoking    : Factor w/ 2 levels "No","Yes": 2 NA NA 1 NA NA NA NA NA NA ...
  25.  $ Education  : Factor w/ 3 levels "High","Low","Medium": NA NA NA NA NA NA NA NA NA 2 ...

2、mice包运算

我们传统中处理缺失值大多使用中位数或平均数的方法就行插补。 mice包处理缺失值的方法是利用所给出数据中的其他变量，通过迭代和预设矩阵构造模型拟合出一个缺，利用多重插补对缺失值进行处理这种方法所给出的缺失值精确度较高。

  1. > library(mice)
  2. > library(Rcpp)
  3. > init = mice(Z1, maxit=0) 
  4. > init
  5. Multiply imputed data set
  6. Call:
  7. mice(data = Z1, maxit = 0)  #输出mice包处理缺失值各变量的方法，预设矩阵等
  8. Number of multiple imputations:  5  #默认迭代5次
  9. Missing cells per column:
  10.         Age      Gender Cholesterol  SystolicBP         BMI 
  11.           5           0          20           0           5 
  12.     Smoking   Education 
  13.          20          20 
  14. Imputation methods:
  15.         Age      Gender Cholesterol  SystolicBP         BMI 
  16.       "pmm"          ""       "pmm"          ""       "pmm" 
  17.     Smoking   Education 
  18.    "logreg"   "polyreg" 
  19. VisitSequence:
  20.         Age Cholesterol         BMI   Education 
  21.           1           3           5           7 
  22. PredictorMatrix:#输出的变量矩阵，用于预测缺失值
  23.       Age Gender Cholesterol SystolicBP BMI Smoking Education
  24. Age     0      1           1          1   1       0         1
  25. Gender  0      0           0          0   0       0         0
  26. Cholesterol   1      1     0          1   1       0         1
  27. SystolicBP    0      0     0          0   0       0         0
  28. BMI           1      1     1          1   0       0         1
  29. Smoking       0      0     0          0   0       0         0
  30. Education     1      1     1          1   1       0         0
  31. PredictorMatrix:  
  32.              Age Gender Cholesterol SystolicBP BMI Smoking Education
  33. Age     0      1           1          1   1       0         1
  34. Gender  0      0           0          0   0       0         0
  35. Cholesterol 1     1        0          1   1       0        1
  36. SystolicBP 0      0        0          0   0       0         0
  37. BMI        1      1        1          1   0       0         1
  38. Smoking    0      0        0         0   0      0         0
  39. Education  1      1        1          1   1       0         0
  40. Random generator seed value:  NA 
  41. > meth = init$method        
  42. > predM = init$predictorMatrix
  43. > predM[, c("BMI")]=0  更改BP列的矩阵向量全为0
  44. > meth[c("Age")]="" 不填补Age列
  46. > predM
  47.             Age Gender Cholesterol SystolicBP BMI Smoking Education
  48. Age           0      1       1        1   0       0         1
  49. Gender        0      0       0        0   0       0         0
  50. Cholesterol   1      1       0        1   0       0         1
  51. SystolicBP    0      0       0        0   0       0         0
  52. BMI           1      1       1        1   0       0         1
  53. Smoking       0      0       0        0   0       0         0
  54. Education     1      1       1        1   0       0         0
  55. > meth
  56.     Age      Gender Cholesterol  SystolicBP         BMI 
  57.      ""          ""       "pmm"          ""       "pmm" 
  58.     Smoking   Education 
  59.    "logreg"   "polyreg" 
  60. > meth[c("Cholesterol")]="norm" 
  61. > meth[c("Smoking")]="logreg" 
  62. > meth[c("Education")]="polyreg"
  1. > set.seed(103)
  2. > imputed = mice(Z1, method=meth, predictorMatrix=predM, m=5
  4. > imputed <- complete(imputed)#迭代后成创建一个数据集
  5. >head（imputed）
  6.     Age Gender Cholesterol SystolicBP  BMI Smoking Education
  7. 1    NA Female    225.7175      129.8 26.4     Yes    Medium
  8. 2  54.8 Female    205.3551      133.4 30.6      No    Medium
  9. 3    NA   Male    130.8879      158.5 24.1      No    Medium
  10. 4  67.9   Male    266.9956      136.0 19.9      No      Low
  11. 5  60.9   Male    208.1604      145.4 19.9      No      Low
  12. 6  68.4 Female    222.5000      130.6 30.6      No      Low
  14. > sapply(imputed, function(x) sum(is.na(x)))  观察填补缺失值之后的情况
  15.         Age      Gender Cholesterol  SystolicBP         BMI 
  16.           5           0           0           0           0 
  17.     Smoking   Education 
  18.           0           0 
  19. > # Cholesterol
  20. > actual <- original$Cholesterol[is.na(Z1$Cholesterol)] 
  21. > predicted <- imputed$Cholesterol[is.na(Z1$Cholesterol)]
  22. > mean(actual)#原缺失值的真实值平均
  23. [1] 216.665
  24. > mean(predicted)#预测缺失值的平均
  25. [1] 211.977
  26. # smoking
  27. > actual <- original$Smoking[is.na(Z1$Smoking)] 
  28. > predicted <- imputed$Smoking[is.na(Z1$Smoking)] 
  29. > table(actual)
  30. actual#原缺失值的真实值情况
  31.  No Yes 
  32.  13   7 
  33. > table(predicted)#预测值的真实值情况
  34. predicted
  35.  No Yes 
  36.  19   1

原文链接：http://datascienceplus.com/handling-missing-data-with-mice-package-a-simple-approach/

严禁修改，可以转载，请注明作者和出自数据人网和原文链接。


公众号推荐：脚印英语JoyEnglish，分享英语口语干货。

用mice包处理缺失值|R包
数据人网是数据人学习、交流和分享的平台http://shujuren.org 。专注于从数据中学习。
平台的理念：人人投稿，知识共享；人人分析，洞见驱动；智慧聚合，普惠人人。
您在数据人网平台，可以1）学习数据知识；2）创建数据博客；3）认识数据朋友；4）寻找数据工作；5）其它与数据相关的干货。
我们努力坚持做原创，分享和传播数据知识干货！
我们都是数据人，数据是有价值的，坚定不移地利用数据价值创造价值！
数据资料、数据课程、数据圈子、数据工作和数据项目服务，请加微信：
luqin360

测试结尾

请关注“恒诺新知”微信公众号，感谢“R语言“，”数据那些事儿“，”老俊俊的生信笔记“，”冷🈚️思“，“珞珈R”，“生信星球”的支持！

作者头像
weinfoadmin

你可能也喜欢

3-1665801675
R语言学习：重读《R数据科学（中文版）》书籍
28 9月, 2022
6-1652833487
经典铁死亡，再出新思路
16 5月, 2022
1-1651501980
R语言学习：阅读《R For Everyone 》（第二版）
1 5月, 2022