數據缺失用哪個函數

⑴ R軟體mice函數填補缺失數據怎麼寫程序

install.packages("mice")#安裝mice包
library(mice)#調用mice包
mi <- mice(dataset)#利用mice包中的mice函數進行插補缺失數據
mi.reg <- with(data=mi,exp=glm(y~x+z))#對新數據構建回歸模型

⑵ r語言將變數中的缺失值賦值怎麼寫

1、定義一個變數m，並使用函數c（）進行對變數m賦值，使用的是「->」，如下圖所示。

⑶ 怎麼快速查找出excel表格中缺失的數據

裡面的"是","否"。用英文狀態下的。如果是數值（例如：1,0），不需要引號。中文需要引號

⑷ 53-R語言中缺失值處理方法

缺失值被認為是預測建模的首要障礙，盡管一些機器學習演算法聲稱能夠從根本上解決這個問題，但是誰又能知道究竟在「黑盒子」里能解決得多好。
缺失值填補方法的選擇，在很大程度上影響了模型的預測能力。一般處理方法是直接刪除相關行，但這樣並不好，因為會造成信息丟失。

Hmice是一個多用途的軟體包，可用於數據分析、高級圖形、缺失值處理、高級表格製作、模型擬合和診斷(線性回歸、 Logit模型和cox回歸)等。 該軟體包包含的功能范圍廣泛，它提供了兩個強大的函數，用於處理缺失值。分別為 impute ()和 aregImpute ()。
impute()函數使用用戶定義的統計方法(中間值，最大值，平均值等)來估算缺失值。 默認是使用中位數。另一方面，aregImpute()允許使用加性回歸、自舉和預測平均匹配進行填補（additive regression, bootstrapping, and predictive mean matching）。
bootstrapping對替代原始數據的樣本擬合了一個柔性可加模型(非參數回歸方法) ，並利用非缺失值(自變數)對缺失值(因變數)進行了預測。然後，使用預測均值匹配(預設值)來估算缺失值。

使用平均值填充：

使用隨機值填充：

同樣，還可以使用min,max,median來估算缺失值。

aregImpute ()自動識別變數類型並相應地處理它們：

輸出顯示預測缺失值的 R ² 值， 數值越高，預測的數值越好。還可以使用以下命令查看估算值：

畫個好看一點的圖：

估算缺失值：

pmm：預測均值匹配(PMM)-用於數值變數
logreg： (Logit模型)-二元變數
polyreg(Bayesian polytomous regression)：因子變數(>=2個水平)
polr：Proportional odds model(ordered, >= 2 levels)

查看估算的缺失值

由於生成有5個輸入數據集，您可以使用 complete ()函數選擇任何數據集：

還可以使用5個數據集構建模型，最後將結果合並：

對比一下：

使用生成的6個數據集合並後的回歸系數與原始數據的回歸系數還是非常接近的。

⑸ excel中如何用函數或其他方法可以快速的找出數據有缺漏如圖：系統會自動記錄數據為每分鍾一條記錄。

用條件格式判斷，時間的下一單元格不等於上一單元格加1分鍾的顯示紅色即可。

⑹ Excel表格中顯示#N/A

Excel表格中顯示#N/A的可能原因：
1、數據缺失，並且在其位置輸入了「#N/A」或「NA」
2、內置或自定義工作表函數中省略了一個或多個必需參數。
3、使用的自定義工作表函數不可用。
4、運行的宏程序所輸入的函數返回
#N/A。
解決步驟為：
一、我們先打開excel，在計算運行公式的時候，如果找不到相應的數值就會出現錯誤值「#N/A」。
二、接著我們選中E2單元格重新輸入公式「=IFERROR(VLOOKUP(D2,$A$2:$B$8,2,0),0)」，如果想把錯誤值顯示成其他的數字，可以把最後的「0」改成想要顯示的數字。
三、最後把公式下拉填充然後我們就可以看到錯誤值「#N/A」都變為「0」了。

⑺ 請問哪個excel函數可以迅速檢查一列中的重復數據和缺失數據

用公式自動生成序號，絕對不會重復或缺失
例如：
A2為1開始的序號。在A2中輸入
=row()-1
下拉填充公式。
或者在A2中輸入1，在A3中輸入公式
=A2+1
下拉填充公式。

現有的序號要找出重復的，可插入一列B，在B2中輸入公式
=if(countif(a2:a451,a2)>1,a2,"")
下拉填充公式，可看到重復的序號。

現有序號要找出缺失的，
可插入一列C，在C2中輸入公式
=if(countif(a2:a451,row()-1)=0,row()-1,"")
下拉填充公式，可看到缺失的序號。

補充：你改的公式不對，如果按你的例子，在C5中輸入
=IF(COUNTIF($A$5:$A$454,ROW()+$A$5-1)=0,ROW()+$A$5-1,"")
下拉即可找出缺失的

6366
6367
6368
6368
6369
6370
6371
6372
6372
6373
6374
6375
6376
6377
6378 6384
6379 6385
6380
6381
6382
6383
6386
6387
6388
6389
6390 6394
6391 6395
6392
6393
6396
6397
6398
6399 6401
6400 6402

⑻ excel單元格中出現#N/A怎麼辦

因為N/A表示D列沒有找到匹配，觀察數據表A列與B列，如果公式准確，是可內以找到D列的匹配內容容的。當在函數或公式中沒有可用數值時，將產生錯誤值#N/A。

如果工作表中某些單元格暫時沒有數值，請在這些單元格中輸入"#N/A"，公式在引用這些單元格時，將不進行數值計算，而是返回#N/A。不僅是VLOOKUP，其它函數也會存在這種現象。

(8)數據缺失用哪個函數擴展閱讀：

Excel表格中出現「N/A「的5個原因：

1.數據缺失，並且在其位置輸入了「#N/A」或「NA()」；

2.在未排序的表中使用VLOOKUP，HLOOKUP或MATCH工作表函數來查找值；

3.數組公式中使用的參數的行數或列數與包含數組公式的區域的行數或列數不一致；

4.內置或自定義工作表函數中省略了一個或多個必需參數；

5.使用的自定義工作表函數不可用。

⑼ R語言中的特殊值及缺失值NA的處理方法

R語言中存在一些空值（null-able values），當我們進行數據分析時，理解這些值是非常重要的。

通常來說，R語言中存在：

這四種數據類型在R中都有相應的函數用以判斷。

NA即Not available，是一個 長度為1的邏輯常數 ，通常代表缺失值。NA可以被強制轉換為任意其他數據類型的向量。

可以採用is.na()進行判斷。另外，NA和「NA」不可以互換。

NULL是一個 對象（object） ，當 表達式或函數產生無定義的值 或者 導入數據類型未知的數據 時就會返回NULL。

可以採用is.null()進行判斷。

NaN即Not A Number，是一個 長度為1的邏輯值向量 。

可以採用is.nan()進行判斷。另外，我們可以採用is.finite()或is.infinite()函數來判斷元素是有限的還是無限的，而對NaN進行判斷返回的結果都是False。

Inf即Infinity無窮大，通常代表一個很大的數或以0為除數的運算結果，Inf說明數據並沒有缺失（NA）。

可以採用is.finite()或is.finite()進行判斷。

理解完四種類型數值以後，我們來看看該採取什麼方法來處理最最常見的缺失值NA。

小白學統計在推文《有缺失值怎麼辦？系列之二：如何處理缺失值》里說「 處理缺失值最好的方式是什麼？答案是：沒有最好的方式。或者說，最好的方式只有一個，預防缺失，盡量不要缺失。 」

在缺失數很少且數據量很大的時候，直接刪除法的效率很高，而且通常對結果的影響不會太大。

如數據框df共有1000行數據，有10行包含NA，不妨直接採用函數na.omit()來去掉帶有NA的行，也可以使用tidyr包的drop_na()函數來指定去除哪一列的NA。

用其他數值填充數據框中的缺失值NA。

使用tidyr包的replace_na()函數。

使用tidyr包的fill()函數將上/下一行的數值填充至選定列中NA。

除此之外，類似原理的填充法還有均值填充法（用該變數的其餘數值的均值來填充）、LOCF（last observation carried forward）、BOCF（baseline observation carried forward）、WOCF（worst observation carried forward）等。

當分類自變數出現NA時，把缺失值單獨作為新的一類。

在性別中，只有男和女兩類，虛擬變數的話以女性為0，男性為1。如果出現了缺失值，可以把缺失值賦值為2，單獨作為一類。由於將缺失值賦值，在統計時就不會把它當做缺失值刪除，避免了由於這一個變數缺失而導致整個觀測值被刪除的情況。

假定有身高和體重兩個變數，要填補體重的缺失值，我們可以把體重作為因變數，建立體重對身高的回歸方程，然後根據身高的非缺失值，預測體重的缺失值。

參考資料：

⑽ Python數據處理：篩選、統計、連表、拼接、拆分、缺失值處理

file1_path ='E:/Users/lenovo/Desktop/中視/622召回.csv' # 源數據

格式：file1=pd.read_csv(file1_path)

pd.read_csv(file1_path,encoding='gbk')

pd.read_csv(file1_path,encoding='gbk',skiprows=[2,3])

pd.read_csv(file1_path,encoding='gbk',skiprows=lambda x:x%2==1)

pd.read_csv(file1_path,encoding='gbk',keep_default_na=False)

new=pd.DataFrame()

new.new[[0,1,2]]

new.new[0:2]

查詢結果同上

new.loc[new['激活數']>1000]

loc和iloc的區別：

     loc：純標簽篩選

     iloc：純數字篩選

#篩選出new的某兩列

new=new.loc[:,['phone','收件人姓名']]

#篩選new的第0，1列

new.iloc[:,[0,1]]

使用『==』篩選-篩查「崔旭」的人（只能篩查指定明確的）

#new=file1.loc[(file1['收件人姓名']=='崔旭')|(file1['收件人姓名']=='崔霞')]

#print(new)

#使用loc函數篩選-str.contains函數-篩查名字中包含'亮'和'海'的人

#new=file1.loc[file1['收件人姓名'].str.contains('亮|海')]

#print(new)

#使用loc函數篩選-str.contains函數-篩查'崔'姓的人

#new=file1.loc[file1['收件人姓名'].str.startswitch('崔')]

#print(new)

df = df[(df['DEPOSIT_PAY_TIME_x'] .notnull() ) & (df['DEPOSIT_PAY_TIME_x'] != "" )]

print("ring_time(number)=0的個數：",newdata[newdata['ring_time(number)'] ==0].count()['ring_time(number)'])

print("ring_time(number)=1,2,3的個數：",newdata[(newdata['ring_time(number)'] >0) & (newdata['ring_time(number)'] <4)].count()['ring_time(number)'])

print(newdata[newdata['ring_time(number)'] ==0])

newdata[newdata['Team']. isin (['England','Italy','Russia'])][['Team','Shooting Accuracy']]

df.年齡.value_counts()

1.修改指定位置數據的值（修改第0行，』創建訂單數『列的值為3836）

new.loc[0,'創建訂單數']=3836

2.替換『小明』-『xiaoming』

df.replace({'name':{'小明':'xiaoming'}})

3.批量替換某一列的值（把『性別』列里的男-male，女-felmale）

方法一：df['性別']=df['性別'].map({'男':'male','女':'female'})

方法二：df['性別'].replace('female','女',inplace=True)

               或df['性別']=df['性別'].replace('female','女')                這就是inplace的作用

                +df['性別'].replace('male','男',inplace=True)

4.替換列索引

df.columns=['sex','name','height','age']

或者：df.rename(columns={'性別':'sex','姓名':'name','身高':'height','年齡':'age'})

5.刪除某一列

del df['player']

6. 刪除某一列（方法二），刪除某一行（默認axis=0刪除行，為1則刪除列）

刪除某一列（方法二）

df.drop('性別',axis=1)

刪除某一行

df.drop(1,axis=0)

file1=pd.read_csv(file1_path)

file2=pd.read_csv(file2_path)

new1=pd.DataFrame()

new1['phone']=file1['phone']

new1['contact_time']=file1['contact_time']

new2=pd.DataFrame()

new2['phone']=file2['phone']

new2['submission_audit_time']=file2['提交審核時間']

newdata=pd.merge(new1,new2,on='phone',how='left')

df=pd.concat([df1,df2],axis=0)

4.2.2 橫向表連接

df=pd.concat([df1,df2],axis=1)

df1['地區'].str.split('·',3,expand=True)

df1:

df1[['城市', '城區','地址']] = df1['地區'].str.split('·', 3, expand = True)

5.1 缺失值刪除

data.dropna(axis=0,subset = ["Age", "Sex"])   # 丟棄『Age』和『Sex』這兩列中有缺失值的行

data.dropna(how = 'all')    # 傳入這個參數後將只丟棄全為缺失值的那些行

data.dropna(axis = 1)       # 丟棄有缺失值的列（一般不會這么做，這樣會刪掉一個特徵）

data.dropna(axis=1,how="all")   # 丟棄全為缺失值的那些列

5.2 缺失值填充：pandas.DataFrame.fillna()函數

DataFrame.fillna(value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs)

功能：使用指定方法填充NA/NaN值

其中inplace=True就是直接在原有基礎上填滿

5.3 缺失值查詢：

缺失值數量查詢：df.isnull().sum()

缺失值行查詢：df[df.isnull().T.any()]

newdata['ring_time']=pd.to_datetime(newdata['submission_audit_time'])-pd.to_datetime(newdata['contact_time'])

newdata['ring_time(number)']=(pd.to_datetime(newdata['submission_audit_time'])-pd.to_datetime(newdata['contact_time'])).apply(lambda x: x.days)

new=pd.DataFrame()

new=newdata[newdata['ring_time(number)'] ==0]

new.to_csv(save_path,encoding='utf-8-sig')

將數據按行拆分並存儲到不同的csv文件中：

path='C:/Users/EDZ/Desktop/工作/2021.08.19/'

for i in range(0,30):

    df.loc[[i]].to_csv(path+str(i)+'.csv',encoding='gbk')

df = df[['購葯日期', '星期','社保卡號','商品編碼', '商品名稱', '銷售數量', '應收金額', '實收金額' ]]