ref="/tag/426/" style="color:#C468A7;font-weight:bold;">数据里总有空着的格子？别急，R语言有办法
做数据分析的时候，谁没碰上过那种表格——明明该填数字的地方却空着，像是忘了写作业的学生。这种“缺失值”在R语言里叫NA，看着不起眼，但跑回归、画图时一不小心就报错。其实只要几步，就能把这些空格处理得明明白白。
先看看你的数据有多少“空位”
拿到数据第一件事，不是急着删，而是搞清楚哪里缺、缺多少。用head()瞄一眼前几行：
head(data)再用is.na()查哪些是缺失值，sum一下总数：
sum(is.na(data$age))比如你发现“年龄”这一列有15个NA，心里就有谱了。
简单粗暴但实用：直接去掉
如果缺失不多，最省事的办法就是把含有NA的行整个扔掉。na.omit()函数专干这活：
clean_data <- na.omit(data)这招适合数据量大、缺得少的情况。就像做菜时蒜末少了一点，不影响大局，直接继续炒就行。
想留着数据？试试填补法
要是每一行都挺重要，删了可惜，那就补上。常见的是用平均值填数值型变量：
data$income[is.na(data$income)] <- mean(data$income, na.rm = TRUE)分类变量可以用众数，比如“性别”列缺了，多数是“女”，那就补“女”。也可以按组填充，比如不同班级的学生身高，按班级算平均再填。
高级点的做法：用模型猜 missing 值
如果你觉得平均值太糙，可以试试mice包，它会用其他变量来“猜”缺失的那个值：
library(mice)
imputed <- mice(data, m = 5, method = "pmm")
completed_data <- complete(imputed)这就像邻居告诉你：“老张家孩子一般长到1米7，他家老二虽然没量，估计也差不多。”
记得检查处理后的结果
不管用哪种方法，处理完再跑一遍sum(is.na())，确认NA真的没了。不然你以为修好了，结果分析时又出岔子。
生活中很多事都像处理缺失值——看起来是个小漏洞，不补上就总卡着。数据干净了，后面的分析才能顺溜起来。