进行简单的数据处理时，我们处理的基本都是完整的数据集，但是实际问题中我们经常会遇到带有缺失值的数据，处理此类数据也就显得尤为重要。

首先我们列出处理缺失值的一般步骤，对整个流程有一个大致的了解。

完全随机缺失：若某变量的缺失数据与其他任何观测和未观测变量都不相关，则数据为完全随机缺失。

随机缺失：若某变量上的缺失数据与其他观测变量相关，与他自己的未观测值不相关，则数据为随机缺失。

非随机缺失：若缺失数据不属于上两种则是非随机缺失。

要想处理缺失值，首先我们就要去识别出来哪些数据是缺失值，R语言中，NA代表缺失值，NaN代表不可能的值，Inf和-Inf代表的是正无穷和负无穷。有对应的函数is.na()、is.nan()、is.infinite()可以分别用来识别缺失值，不可能值以及无穷值，返回的结果是TRUE/FALSE。

要想统计缺失值的个数，我们可以直接通过sum()函数来对TRUE/FALSE进行统计，其中TRUE的逻辑值是1，FALSE的逻辑值为0，同样不可能的值以及无穷值也可以用此方法进行判断。

对于缺失值，我们只统计他的个数是不可取的，本节中给出探究缺失值的几种方法。

一、图表显示缺失值

我们可以用一个图标的形式去展示缺失值，在R语言中mice包中的md.pttern()函数提供了一个可以生成矩阵来显示缺失值的表格，示例如下：

得到的图表结果以及图形结果如下：

二、图形展示缺失值

md.pattren()函数已经给我们清晰的列出了每一项的缺失值，但是图形时一种更能够清晰的表达缺失值的一种方法，VIM包中提供了大量的可视化函数，我们来学习一下其中的一些函数。

aggr()函数

matrixplot()函数

marginplot()函数

一、删除

对于缺失值的处理首先我们先采用第一种最简单的方法——删除缺失值所在的行，R语言中提供了两种删除缺失值的函数，分别是complete.cases()函数和na.omit()函数。

对于删除的处理直接对数据进行使用即可，这里不做演示。

二、多重插补法

多重插补（MI）是一种基于重复模拟的处理缺失值的方法，在面对复杂的缺失值问题时，MI是常选用的方法，它将从一个包含缺失值的数据集中生成一组完整的数据集。本节中我们将使用R中的mice包对数据集进行插补。

mice包中多重插补法的工作流程如下：

基于mice包的分析通常要符合以下的过程：