Manglende data er et vanlig problem i virkelige datasett. Det kan påvirke nøyaktigheten av analysen og føre til misvisende resultater dersom det ikke håndteres riktig.

Oppdage manglende verdier

Første steg er å undersøke hvor og hvor mye data som mangler i datasettet ditt.

is.na(df)              # returns a logical matrix of TRUE/FALSE
sum(is.na(df))         # total number of missing values
colSums(is.na(df))     # missing values per column

Dette gir en tydelig oversikt over hvilke kolonner som har manglende data og hvor alvorlig problemet er.

Fjerne manglende verdier

Noen ganger er den enkleste måten å håndtere manglende data på å fjerne rader som inneholder noen NA-verdier. Dette sikrer at datasettet er rent, men kan også føre til betydelig datatap dersom mange rader blir berørt.

Base R

Funksjonen na.omit() fjerner alle rader med manglende verdier fra datasettet.

df_clean <- na.omit(df)
sum(is.na(df_clean))

dplyr

Den samme oppgaven kan utføres ved å bruke funksjonen drop_na().

df_clean <- df %>%
  drop_na()

Denne metoden er enkel og fungerer godt når mengden manglende data er liten, men kan være mindre egnet dersom mange rader fjernes i prosessen.

Erstatte manglende verdier

I stedet for å fjerne rader, er en mer effektiv tilnærming imputering, hvor manglende verdier erstattes med meningsfulle estimater. Dette bidrar til å bevare datasettets størrelse og redusere skjevhet. En vanlig strategi for numeriske variabler er å erstatte manglende verdier med kolonnens gjennomsnitt.

Base R

Du kan bruke logisk indeksering med is.na() for å finne manglende verdier og tilordne dem gjennomsnittet av kolonnen.

df$selling_price[is.na(df$selling_price)] <- mean(df$selling_price, na.rm = TRUE)

dplyr

Du kan også håndtere imputering ved å bruke ifelse() inne i mutate().

df <- df %>%
  mutate(selling_price = ifelse(is.na(selling_price),
                                mean(selling_price, na.rm = TRUE),
                                selling_price))

Utfylling av manglende verdier i kategoriske kolonner

For kategoriske variabler (tegn- eller faktorkolonner) erstattes ofte manglende verdier med en fast plassholder som "Unknown".

Base R

df$fuel[is.na(df$fuel)] <- "Unknown"

dplyr

Funksjonen replace_na() gir en mer oversiktlig måte å fylle inn manglende verdier på.

df <- df %>%
  mutate(fuel = replace_na(fuel, "Unknown"))

Denne metoden sikrer at manglende verdier håndteres konsekvent, og at kolonnen forblir gyldig for rapportering eller modellering.