本节书摘来自华章计算机《数据科学：R语言实现》一书中的第3章，第3.11节，作者 丘祐玮（David Chiu），更多章节内容可以访问云栖社区“华章计算机”公众号查看。

3.11　检测缺失数据

缺失数据背后有许多原因。例如，可能是由于录入或者数据处理过程中的瑕疵导致的。然而，如果数据分析过程使用了缺失数据，分析的结果可能有误导性。因此，在做进一步分析之前，检测缺失数据尤为重要。

准备工作

按照3.3节“转换数据类型”教程，把导入数据的每个属性转换成合适的数据类型。同时按照3.2节“重命名数据变量”中的步骤，命名employees和salaries数据集的列名。

实现步骤

执行下列步骤，检测缺失数据。

1.首先，我们把to_date属性设置一个超过2100-01-01的日期：

2.然后，把超过2100-01-01的日期变成缺失值：

3.接着，我们可以使用函数is.na找出哪一行包含缺失值：

4.我们也可以使用函数sum对to_date中的缺失值计数：

5.并且，我们可以计算缺失值的比例：

6.如果你想知道每一列中的缺失值比例，我们可以使用函数sapply：

7.我们可以安装加载Amelia程序包：

8.使用函数missmap绘制缺失值地图：

你会看到以下图形，如图1所示。

运行原理

在R中，缺失值经常使用NA标记出来，意思是不适用（not available）。大部分函数（例如mean或sum）在遇到数据集中的NA值时，会输出NA。尽管我们可以指定一个参数，例如na.rm，来移除NA的影响，但是最好还是在数据集中估计或移除缺失值，以避免缺失值带来的深远影响。

在本教程中，我们首先找出2100-01-01之后的数据记录。由于一个人的工资不可能在2100-01-01之后支付，我们可以把这些日期值看成是录入或者系统错误而导致的。因此，我们可以首先把这些值指定成缺失值（用NA表示）。然后，我们可以使用内置函数，搜索数据内部的缺失值。

为了找到数据集中的缺失值，我们首先对所有NA值个数加和，除以每个属性里的数值个数，然后借助sapply计算所有属性中的缺失值。

并且，为了使用表格展示计算结果，我们可以使用Amelia程序包，在一个图中绘制每个属性的缺失值地图。缺失值的可视化可以让用户更好地理解每个数据集的缺失比例。从图1中我们可以看出，1985包含的缺失值最多。

更多技能

对于缺失值处理，我们介绍了使用Amelia来可视化缺失值。除了在控制台输入命令，我们也可以使用Amelia的交互式GUI，AmeliaView。

要运行AmeliaView，只需在R控制台键入AmeliaView()：

你会看到下列窗口，如图2所示。