Відсутні дані — поширена проблема у реальних наборах даних. Вони можуть впливати на точність аналізу та призводити до хибних результатів, якщо їх не враховувати належним чином.

Виявлення відсутніх значень

Перший крок — перевірити, де і скільки даних відсутньо у вашому наборі даних.

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

Це дає чітке уявлення про те, у яких стовпцях є відсутні дані та наскільки серйозною є проблема.

Видалення відсутніх значень

Іноді найпростішим способом обробки відсутніх даних є видалення рядків, які містять будь-які значення NA. Це забезпечує чистоту набору даних, але також може призвести до значної втрати даних, якщо таких рядків багато.

Базовий R

Функція na.omit() видаляє всі рядки з пропущеними значеннями з набору даних.

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

dplyr

Ту ж задачу можна виконати за допомогою функції drop_na().

df_clean <- df %>%
  drop_na()

Цей підхід простий і добре підходить, коли кількість пропущених даних невелика, але може бути неідеальним, якщо в процесі видаляється багато рядків.

Замінювання пропущених значень

Замість видалення рядків більш ефективним підходом є імпутація, коли пропущені значення замінюються на осмислені оцінки. Це допомагає зберегти розмір набору даних і зменшити упередженість. Поширена стратегія для числових змінних — заміна пропущених значень на середнє по стовпцю.

Базовий R

Можна використовувати логічну індексацію з is.na(), щоб знайти відсутні значення та призначити їм середнє значення стовпця.

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

dplyr

Імпутацію також можна виконати за допомогою ifelse() всередині mutate().

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

Заповнення пропущених значень у категоріальних стовпцях

Для категоріальних змінних (символьних або факторних стовпців) пропущені значення часто замінюють на фіксований заповнювач, наприклад "Unknown".

Base R

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

dplyr

Функція replace_na() забезпечує зручніший спосіб заповнення пропущених значень.

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

Такий підхід гарантує послідовну обробку пропущених значень і збереження валідності стовпця для звітності або моделювання.