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。

（编辑：惠州站长网）

【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!