没有完美的数据插补法，只有最适合的

注：以上数据来自imputeTS库的tsAirgap;插补数据被标红。

library(imputeTS) 
 
na.random(mydata)                  # Random Imputation 
na.locf(mydata, option = "locf")   # Last Obs. Carried Forward 
na.locf(mydata, option = "nocb")   # Next Obs. Carried Backward 
na.interpolation(mydata)           # Linear Interpolation 
na.seadec(mydata, algorithm = "interpolation") # Seasonal Adjustment then Linear Interpolation 

四、均值，中位数与众数

计算整体均值、中位数或众数是一种非常基本的插补方法，它是唯一没有利用时间序列特征或变量关系的测试函数。该方法计算起来非常快速，但它也有明显的缺点。其中一个缺点就是，均值插补会减少数据的变化差异(方差)。

library(imputeTS) 
 
na.mean(mydata, option = "mean")   # Mean Imputation 
na.mean(mydata, option = "median") # Median Imputation 
na.mean(mydata, option = "mode")   # Mode Imputation 
 
In Python 
from sklearn.preprocessing import Imputer 
values = mydata.values 
imputer = Imputer(missing_values=’NaN’, strategy=’mean’) 
transformed_values = imputer.fit_transform(values) 
 
# strategy can be changed to "median" and “most_frequent” 

五、线性回归

首先，使用相关系数矩阵能够选出一些缺失数据变量的预测变量。从中选择最靠谱的预测变量，并将其用于回归方程中的自变量。缺失数据的变量则被用于因变量。自变量数据完整的那些观测行被用于生成回归方程;其后，该方程则被用于预测缺失的数据点。在迭代过程中，我们插入缺失数据变量的值，再使用所有数据行来预测因变量。重复这些步骤，直到上一步与这一步的预测值几乎没有什么差别，也即收敛。

该方法“理论上”提供了缺失数据的良好估计。然而，它有几个缺点可能比优点还值得关注。首先，因为替换值是根据其他变量预测的，他们倾向于“过好”地组合在一起，因此标准差会被缩小。我们还必须假设回归用到的变量之间存在线性关系——而实际上他们之间可能并不存在这样的关系。

六、多重插补

• 插补：将不完整数据集缺失的观测行估算填充m次(图中m=3)。请注意，填充值是从某种分布中提取的。模拟随机抽取并不包含模型参数的不确定性。更好的方法是采用马尔科夫链蒙特卡洛模拟(MCMC，Markov Chain Monte Carlo Simulation)。这一步骤将生成m个完整的数据集。
• 分析：分别对(m个)每一个完整数据集进行分析。
• 合并：将m个分析结果整合为最终结果。

来源：http://www.stefvanbuuren.nl/publications/mice%20in%20r%20-%20draft.pdf

# We will be using mice library in r 
library(mice) 
# Deterministic regression imputation via mice 
imp <- mice(mydata, method = "norm.predict", m = 1) 
 
# Store data 
data_imp <- complete(imp) 
 
# Multiple Imputation 
imp <- mice(mydata, m = 5) 
 
#build predictive model 
fit <- with(data = imp, lm(y ~ x + z)) 
 
#combine results of all 5 models 
combine <- pool(fit) 

这是迄今为止最优选的插补方法，因为它非常易于使用，并且在插补模型正确的情况下它不会引入偏差。

七、分类变量插补

• 众数插补法算是一个法子，但它肯定会引入偏差。
• 缺失值可以被视为一个单独的分类类别。我们可以为它们创建一个新类别并使用它们。这是最简单的方法了。
• 预测模型：这里我们创建一个预测模型来估算用来替代缺失数据位置的值。这种情况下，我们将数据集分为两组：一组剔除缺少数据的变量(训练组)，而另一组则包括缺失变量(测试组)。我们可以用逻辑回归和ANOVA等方法来进行预测。
• 多重插补法。

八、KNN(K近邻)

（编辑：PHP编程网 - 黄冈站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!