简介

缺失值在数据中无处不在，需要在分析的初始阶段仔细探索和处理。在本次示例中，会详细介绍naniar包探索缺失值的方法和理念，它和ggplot2和tidy系列使用方法非常相似，上手并不困难。

有时，解释缺失值出现的原因可能很简单，比如，可能是由于记录不全，各种意外等，但实现这一解释的过程可能并不简单，而且可能需要比开发探索性数据分析和模型所需的更多时间。

本次学习主要探讨3个问题：

1. 开始探索缺失值

2. 探索缺失值的机制

3. 模型化缺失值

如何开始探索缺失值

当你面对新的数据时，可能首先会使用各种汇总函数查看数据的基本情况，比如：

• summary()

• str()

• skimr::skim

• dplyr::glimpse()

• ...

但是当数据有缺失值时，就会影响接下来的分析。所以首先还要查看数据的缺失情况。

R包visdat可以展示缺失值数据，主要有2个函数：

• vis_dat()

• vis_miss()

vis_dat()

library(visdat)
vis_dat(airquality)
</