处理步骤：
- 识别缺失数据
- 检查导致数据缺失的原因（分类：mcar（完全随机缺失），随机缺失（mar），非随机缺失（nmar），后边最常见）
- 删除包含缺失值的实例或用合理的数值代替缺失值
识别缺失值
NA：代表缺失值
NAN:代表不可能值
函数is.na() is.nan()和is.infinite()可用来识别缺失值不可能值 和无穷值，返回逻辑值
complete.cases()可以用来识别矩阵或数据框中没有缺失值的行，如包含，返回true（注意和前边正好相反）
代码：
探索缺失值模式（发现缺失值模式）
1：列表显示缺失值
存在原因：对于数据集的增大，之上方法丧失吸引力
包：mice包 md.pattern()函数可生成一个以矩阵或数据框形式展示缺失值模式的表格
2：图形探究缺失数据
包：aggr() matrixplot() 和scattmiss（）
图形如下
解读：1图表示每个变量的缺失值数，比如nond缺失值为14，位最大
2图表是表每个观测值的缺失值个数，红色为缺失值
另外一个matrixplot()函数可生成展示每个实例数据的图形
3用相关性探索缺失值
Is.na的返回值是1或者0，用指示变量代替原数据集，也叫影子矩阵，对影子矩阵就是对原数据集操作
代码：
识别缺失值数据的来由和影响
目的：1）分析生成缺失数据的潜在机制
2）评价缺失数据对回答实质性问题的影响
- 3种方法：恢复数据的推理方法，涉及删除缺失值的传统方法和涉及模拟的现代方法
- 目标：在没有完整信息的情况下，尽可能精确的回答收集数据所要解决的实质性问题
理性处理不完整数据
推理方法：根据变量间的数学或者逻辑关系来填补或恢复缺失值
完整实列分析（行删除）
complete.cases()
na.omit()
以上是存储没有缺失值的数据框或者矩阵形式的实例（行）
总：行删除法假定数据是MCAR（完整数据的观察只是全数据集的一个随机子样本），由于删除了所有含缺失值的观测，减少了可用的样本，这也导致统计效力的降低
多重插补法（MI）
确实数据用蒙特卡洛方法来填补
重点：mice包
以下图形可以加强理解
注意：以上3是创建的5个中的第3个
其它方法
还有2个过时的方法，分别是：
成对删除或者简单插补
ps：把精力放在实际能利用的地方，对于不能用的可以了解了解下就行
