R语言中的特殊值及缺失值NA的处理方法

R语言中存在一些空值（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：

这四种数据类型在R中都有相应的函数用以判断。

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。

可以采用isna()进行判断。另外，NA和“NA”不可以互换。

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。

可以采用isnull()进行判断。

NaN即Not A Number，是一个 长度为1的逻辑值向量 。

可以采用isnan()进行判断。另外，我们可以采用isfinite()或isinfinite()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）。

可以采用isfinite()或isfinite()进行判断。

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。 ”

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naomit()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。

用其他数值填充数据框中的缺失值NA。

使用tidyr包的replace_na()函数。

使用tidyr包的fill()函数将上/下一行的数值填充至选定列中NA。

除此之外，类似原理的填充法还有均值填充法（用该变量的其余数值的均值来填充）、LOCF（last observation carried forward）、BOCF（baseline observation carried forward）、WOCF（worst observation carried forward）等。

当分类自变量出现NA时，把缺失值单独作为新的一类。

在性别中，只有男和女两类，虚拟变量的话以女性为0，男性为1。如果出现了缺失值，可以把缺失值赋值为2，单独作为一类。由于将缺失值赋值，在统计时就不会把它当做缺失值删除，避免了由于这一个变量缺失而导致整个观测值被删除的情况。

假定有身高和体重两个变量，要填补体重的缺失值，我们可以把体重作为因变量，建立体重对身高的回归方程，然后根据身高的非缺失值，预测体重的缺失值。

参考资料：

java中就是这么规定的，没有什么为什么，具体规定如下：

任意整数（byte、short、int、long皆可）除以整数0结果为ArithmeticException；

0除以浮点0结果为NAN，细分的话包括以下三种情况：

（1）0/00

（2）00/00

（3）00/0

情况（3）虽然除的是个整数0，但在运算过程中发生了类型转化变成了浮点0;

任意数（八大基本类型皆可）除以浮点0结果为Infinity/-Infinity。

如果问为什么会这样，可以理解为在java中浮点数0并非一个准确值，而是一个无限接近0的数。

此外，FloatNaN！=FloatNAN，DoubleNaN!=DoubleNaN；但是FloatPOSITIVE_INFINITY==FloatPOSITIVE_INFINITY==DoublePOSITIVE_INFINITY、

FloatNEGATIVE_INFINITY==FloatNEGATIVE_INFINITY==DoubleNEGATIVE_INFINITY。

以上就是关于R语言中的特殊值及缺失值NA的处理方法全部的内容，包括:R语言中的特殊值及缺失值NA的处理方法、在java中的double和float类型数据相除为什么可以除以零、等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！