点击上方蓝色字体，关注我们
作者简介
勾蒙蒙，R语言资深爱好者。
个人公众号： R语言及生态系统服务。
前文传送门：
没有高质量的数据，就没有高质量的数据挖掘结果。当你拿到一组数据，常规急迫性思维就是尽快把数据模拟、分析、预测以及制图，然而除非常完美的数据之外，结果往往差强人意，归结其原因，你可能是忽略了这组数据中的脏数据！对于脏数据，你是否了解，是否会处理，决定了后续数据分析的结果！
脏数据的存在形式主要有以下几种：
1、缺失值
2、异常值
3、数据的量纲差异
4、多重共线性
接下来几天将用几篇文章依次对脏数据及其处理方式逐一进行说明……
缺失值
即在数据观测中缺测、露测以及缺少记录的数据。对少量缺失数据，可进行手动删除或其他处理，然而面对大量的缺失数据，手动处理则不可弄，下文将以一组实际案例对缺失值的处理进行详细的说明！
文章数据来源于泰坦尼克号沉船存活数据，一个特殊的时代造就了杰克和罗丝感天动地的爱情故事，也为科学留下了宝贵的数据，正所谓:我在你的航程上，你在我的记忆里！
Kaggle中经常会遇到无法注册的情况，详细教程请参考https://blog.csdn.net/FrankieHello/article/details/78230533，亲测有效！
####导入数据集
Data<-read.csv("train.csv")
View(Data)
##查看数据结构
Str(Data)数据共891行，12个变量
$PassengerID：乘客编号
$Survived：活情况（存活：1，死亡：0）
$pclsss：船舱等级
$name：乘客姓名
$sex：乘客性别
$age：乘客年龄
$sibsp：同程的兄弟姐妹/配偶
$parch：同程的父母/小孩
$ticket：船票编号
$fare：船票价格
$cabin：客舱号
$embark：登船地点
##查看数据情况
Summary(Data)##查看数据的缺失情况
library(VIM)
aggr(Data,prop=FALSE,number=TRUE)由此可以看出，Survived缺失值为54个，Age字段上缺失值较多，为177个，Fare缺失值为3个。若不及时处理，会对后续的数据分析造成一定的影响。
##处理Fare的缺失值
line<-which(is.na(Data$Fare))
Data[c(line),]可以发现Fare值为NA的的舱位等级为3等，因此可以考虑用3等舱票价的中位数对Fare值进行处理：
##缺失值中位数处理
newdata<-Data[-c(line),]
newfare<-newdata[which(newdata$Pclass==3),10]
median(newfare)
Data[c(line),10]=median(newfare)
##Age相对缺失的比较多，采用回归法进行插补，首先将Age的存在以及缺失值进行分开
line<-which(is.na(Data$Age)==T)
no<-Data[c(line),]
exist<-Data[-c(line),]
##建立回归关系
model<-lm(Age~Pclass+Sex+SibSp+Parch+Fare+Embarked,data=exist)
summary(model)
##预测
predict<-predict(model,newdata=no)公众号后台回复关键字即可学习
回复 爬虫 爬虫三大案例实战
回复 Python 1小时破冰入门
回复 数据挖掘 R语言入门及数据挖掘
回复 人工智能 三个月入门人工智能
回复 数据分析师 数据分析师成长之路
回复 机器学习 机器学习的商业应用
回复 数据科学 数据科学实战
回复 常用算法 常用数据挖掘算法