PricingLoginStart free
R Academy · Pelajaran

Mengesan dan Mengira Nilai Hilang

Gunakan is.na(), anyNA() dan sum(is.na()) untuk mengaudit data yang hilang.

Pelajaran 2 daripada 413 langkah

Mengesan dan Mengira Nilai Hilang ialah pelajaran R Academy percuma di CoddyKit. Ini ialah pelajaran 2 daripada 4. Sebanyak 3 pelajaran dalam laluan pembelajaran ini boleh dibaca sepenuhnya secara percuma — selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan praktikal dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran R Academy, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus R Academy merangkumi sejumlah 4 pelajaran.

is.na() — Alat Pengesanan Teras

is.na(x) menguji setiap elemen x dan mengembalikan vektor logik yang mempunyai panjang sama, dengan TRUE pada kedudukan yang nilainya ialah NA (atau NaN). Ini ialah alat asas untuk mengesan nilai yang hilang.

heights <- c(175, NA, 162, 188, NA, 170, NA, 165)
cat('Heights:', heights, '
')
cat('is.na() :', is.na(heights), '
')
cat('!is.na():', !is.na(heights), '
')

Mengira NA dengan sum(is.na())

Oleh sebab TRUE == 1 dan FALSE == 0 dalam aritmetik, sum(is.na(x)) mengira jumlah nilai yang hilang. mean(is.na(x)) memberikan perkadaran nilai yang hilang.

survey <- c(8, NA, 6, NA, 9, 7, NA, 5, NA, 8)
cat('Survey responses:', survey, '
')
cat('Total NAs:    ', sum(is.na(survey)), '
')
cat('Total present:', sum(!is.na(survey)), '
')
cat('NA proportion:', mean(is.na(survey)), '
')
cat('NA percentage:', mean(is.na(survey)) * 100, '%
')

anyNA() — Semakan Kehadiran Pantas

anyNA(x) mengembalikan satu TRUE jika mana-mana elemen ialah NA, dan FALSE jika tiada. Ia lebih pantas daripada any(is.na(x)) kerana ia berhenti apabila menemui NA yang pertama.

complete_data <- c(1, 2, 3, 4, 5)
incomplete_data <- c(1, 2, NA, 4, 5)

cat('anyNA(complete)  :', anyNA(complete_data), '
')    # FALSE
cat('anyNA(incomplete):', anyNA(incomplete_data), '
')  # TRUE

# Use in validation
if (anyNA(incomplete_data)) {
  cat('Warning: data contains missing values!
')
}

which(is.na()) — Mencari Kedudukan

which(is.na(x)) mengembalikan indeks (kedudukan) nilai yang hilang dalam vektor. Ini penting untuk mengaudit pemerhatian yang hilang dan melakukan imputasi bersasar.

temperatures <- c(22.1, NA, 19.8, NA, 25.1, NA, 17.3, 20.0)
cat('Temperatures:', temperatures, '
')

missing_pos <- which(is.na(temperatures))
cat('Missing at positions:', missing_pos, '
')
cat('Number missing:', length(missing_pos), '
')

# What values are NOT missing?
present_pos <- which(!is.na(temperatures))
cat('Present at positions:', present_pos, '
')

Mengira NA dalam Bingkai Data

Bagi bingkai data, is.na(df) mengembalikan matriks logik dengan dimensi yang sama. Menggabungkannya dengan colSums() memberikan kiraan nilai yang hilang bagi setiap lajur — cara pantas untuk mengaudit kualiti data.

# Simulate a small data frame
name_col <- c('Alice', 'Bob', 'Carol', 'Dave', 'Eve')
age_col  <- c(28, NA, 32, NA, 29)
sal_col  <- c(55000, 72000, NA, 90000, 61000)
scr_col  <- c(88, NA, 75, NA, NA)

cat('Age NAs:   ', sum(is.na(age_col)), '
')
cat('Salary NAs:', sum(is.na(sal_col)), '
')
cat('Score NAs: ', sum(is.na(scr_col)), '
')

Corak colSums(is.na(df))

Corak colSums(is.na(df)) ialah cara terpantas untuk mengira nilai yang hilang bagi setiap lajur dalam bingkai data. Ia mengembalikan vektor numerik bernama yang menunjukkan bilangan NA dalam setiap lajur.

# Build a data frame manually
df <- data.frame(
  name   = c('Alice', 'Bob', 'Carol', 'Dave', 'Eve'),
  age    = c(28, NA, 32, NA, 29),
  salary = c(55000, 72000, NA, 90000, 61000),
  score  = c(88, NA, 75, NA, NA)
)
cat('Missing values per column:
')
print(colSums(is.na(df)))
cat('Total missing:', sum(is.na(df)), '
')

Perkadaran NA bagi Setiap Lajur

Membahagikan dengan bilangan baris memberikan perkadaran nilai yang hilang bagi setiap lajur. Ini lebih bermaklumat daripada kiraan mentah apabila lajur mempunyai panjang yang berbeza.

df <- data.frame(
  x1 = c(1, NA, 3, NA, 5),
  x2 = c(NA, 2, NA, 4, NA),
  x3 = c(1, 2, 3, NA, 5)
)
n_rows <- nrow(df)
na_counts <- colSums(is.na(df))
na_pct <- round(na_counts / n_rows * 100, 1)

cat('NA counts:     '); print(na_counts)
cat('NA percentage: '); print(na_pct)

table(is.na()) — Kiraan Kekerapan

table(is.na(x)) menghasilkan jadual kekerapan bernama yang menunjukkan bilangan nilai FALSE (wujud) dan TRUE (hilang). Jadual ini mudah dibaca sepintas lalu.

responses <- c(5, NA, 8, 6, NA, 9, 7, NA, NA, 8)

cat('NA frequency table:
')
print(table(is.na(responses)))

# For multiple columns:
cat('Age table:
')
ages <- c(28, NA, 32, NA, 29)
print(table(is.na(ages)))

Mencari Baris yang Mengandungi Sebarang NA

Untuk mencari baris dalam bingkai data yang mengandungi sekurang-kurangnya satu nilai yang hilang, gunakan apply(is.na(df), 1, any). Hasilnya ialah vektor logik dengan TRUE bagi baris yang tidak lengkap.

df <- data.frame(
  id     = 1:5,
  age    = c(28, NA, 32, NA, 29),
  salary = c(55000, 72000, NA, 90000, 61000)
)

# Which rows have at least one NA?
has_na <- apply(is.na(df), 1, any)
cat('Rows with any NA:', which(has_na), '
')
cat('Complete rows:   ', which(!has_na), '
')
cat('Complete row count:', sum(!has_na), '/', nrow(df), '
')

Mengaudit Set Data Lengkap

Aliran kerja audit NA yang praktikal: kira, cari dan laporkan nilai yang hilang untuk memahami kualiti data sebelum analisis. Berikut ialah fungsi audit serba lengkap.

audit_na <- function(v, label) {
  n_total   <- length(v)
  n_missing <- sum(is.na(v))
  pct       <- round(n_missing / n_total * 100, 1)
  positions <- which(is.na(v))
  cat(label, ':', n_missing, '/', n_total,
      '(', pct, '%) NA at positions', positions, '
')
}

heights <- c(175, NA, 162, 188, NA, 170)
weights <- c(70, 85, NA, 92, 68, NA)
audit_na(heights, 'Height')
audit_na(weights, 'Weight')

Ringkasan Pengesanan NA

Rujukan pantas untuk alat pengesanan NA:

  • is.na(x) — vektor logik: TRUE pada kedudukan NA
  • anyNA(x) — satu TRUE/FALSE: adakah terdapat NA?
  • sum(is.na(x)) — kiraan NA
  • mean(is.na(x)) — perkadaran NA
  • which(is.na(x)) — kedudukan NA
  • colSums(is.na(df)) — kiraan NA bagi setiap lajur
  • table(is.na(x)) — jadual kekerapan NA/bukan NA
x <- c(10, NA, 30, NA, 50, NA, 70)
cat('is.na:       ', is.na(x), '
')
cat('anyNA:       ', anyNA(x), '
')
cat('sum(is.na):  ', sum(is.na(x)), '
')
cat('mean(is.na): ', mean(is.na(x)), '
')
cat('which(is.na):', which(is.na(x)), '
')

Semakan Pantas

Apakah hasil sum(is.na(c(1, NA, 3, NA, 5)))?

Jawab dalam pelajaran interaktif

Imbas Kembali: Mengesan dan Mengira NA

Syabas! Perkara utama daripada pelajaran ini:

  • is.na(x) ialah alat utama — mengembalikan vektor logik
  • sum(is.na(x)) mengira nilai yang hilang; mean(is.na(x)) memberikan perkadaran
  • anyNA(x) ialah semakan pantas untuk mengesan sebarang NA
  • which(is.na(x)) menunjukkan kedudukan tepat NA
  • colSums(is.na(df)) ialah cara standard untuk mengaudit bingkai data
  • Jangan gunakan x == NA untuk mengesan NA — sentiasa gunakan is.na(x)
# Full audit of a data frame in 3 lines
df <- data.frame(a=c(1,NA,3), b=c(NA,2,NA), c=c(1,2,3))
cat('Per column:', colSums(is.na(df)), '
')
cat('Total:     ', sum(is.na(df)), '/', nrow(df)*ncol(df), '
')
cat('Complete rows:', sum(complete.cases(df)), '/', nrow(df), '
')
Percuma untuk bermula

Pelajari R dengan tutor kecerdasan buatan — percuma

Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.

Kursus
43
Pelajaran
159
Mula belajar secara percumaLihat kursus penuh

Soalan Lazim

Adakah pelajaran “Mengesan dan Mengira Nilai Hilang” percuma?

Ya — sebanyak 3 pelajaran dalam laluan pembelajaran R Academy, termasuk “Mengesan dan Mengira Nilai Hilang”, boleh dibaca sepenuhnya secara percuma di web ini. Selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan interaktif dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Kursus R Academy merangkumi sejumlah 4 pelajaran.

Apakah yang akan saya pelajari dalam “Mengesan dan Mengira Nilai Hilang”?

Gunakan is.na(), anyNA() dan sum(is.na()) untuk mengaudit data yang hilang. Anda berlatih R Academy menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.

Adakah saya memerlukan pengalaman untuk memulakan R Academy?

Tiada pengalaman terdahulu diperlukan. Pembelajaran R Academy di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 2 daripada 4.

Berapa lamakah pelajaran “Mengesan dan Mengira Nilai Hilang” diambil?

Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.

Bolehkah saya menulis dan menjalankan kod dalam pelajaran R Academy ini?

Ya. Setiap pelajaran R Academy menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.

Semua pelajaran dalam kursus ini

  1. Memahami NA dalam R
  2. Mengesan dan Mengira Nilai Hilang
  3. Membuang dan Menggantikan Nilai NA
  4. NA dalam Pengiraan dan Pengagregatan
← Kembali ke R Academy