认识缺失值的表现形式
在用R做数据分析时，经常会遇到数据不完整的情况。比如调查问卷里有人没填年龄，或者传感器某段时间断电导致记录为空。这些空值在R中通常显示为 NA，代表"Not Available"。它和数值0、空字符串不一样，是一种特殊的逻辑占位符。
如果不处理就直接分析，很多函数会报错或自动剔除，可能影响结果准确性。比如算平均值时，有 NA 的列默认返回 NA，得专门设置参数才能跳过。
查看缺失情况的基本操作
先要知道数据里有多少缺失值。可以用 is.na() 判断每个位置是否为空，返回逻辑向量。配合 sum() 能快速统计总数：
sum(is.na(data$age))想知道每列有多少缺失，可以这样写：
sapply(data, function(x) sum(is.na(x)))或者用更直观的可视化包 naniar，画出缺失模式图，一眼看出哪些变量问题多。
删除缺失值的适用场景
如果某列缺失比例特别高，比如超过70%，留着意义不大，可以直接删掉整列：
data <- data[, !sapply(data, function(x) all(is.na(x)))]如果只是个别行有问题，且样本足够大，可以删掉整行：
data <- na.omit(data)这招简单粗暴，适合缺失随机且数量少的情况。但要是数据本来就少，再一删，分析基础就薄弱了。
用均值或中位数填充
数值型变量常用填补法。比如“收入”这一列有几个空，可以用已有数据的均值补上：
data$income[is.na(data$income)] <- mean(data$income, na.rm = TRUE)如果数据偏态严重，中位数更稳妥：
data$income[is.na(data$income)] <- median(data$income, na.rm = TRUE)分类变量可以用众数（出现最多的类别）填，虽然R没有内置函数，但自己写一行就能搞定：
mode_val <- names(sort(table(data$gender), decreasing = TRUE))[1]利用模型预测缺失值
当变量之间有关联时，可以用回归或随机森林来预估空值。比如体重缺失，但有身高、年龄、性别等信息，就可以建模推测。
有个方便的包叫 missForest，专门用随机森林填补：
library(missForest)
data_imputed <- missForest(data)返回的对象 data_imputed$ximp 就是填补后的数据。这种方法适合复杂结构，但计算耗时较长。
保留缺失也是一种信息
有时候“没记录”本身就有含义。比如客户没填职业，可能是自由职业者或不愿透露，单独标记出来反而能发现规律。
可以新增一列标识是否缺失：
data$age_missing <- is.na(data$age)之后在建模时把这一列作为特征加入，让算法自己判断其作用。
避免引入偏差的小提醒
处理缺失值不是越干净越好。盲目填充可能导致数据失真。比如用全局均值填区域收入，忽略了地区差异，结果就会偏离实际。
建议先分析缺失机制：是完全随机？还是某些群体更容易不答？如果是后者，得谨慎选择方法，必要时分组处理或使用多重插补。