#缺失值
an=c(1,2,NA) is.na(an) #会形成一个布尔向量
布尔向量就是一群像（FALSE,FALSE,TURE）这样的向量。
关于缺失值还有一个函数：complete.cases函数
该函数与is.na的区别在于：
1、输出数据格式不同。is.na按照数据框格式形成一个（FALSE,FALSE,TURE）列，而complete.cases形成是一个数列向量，不再是按照数据框格式；
2、输出数据内容不同。complete.cases输出的逻辑向量与is.na正好相反，is.na的TURE为是缺失值；complete.cases的TURE为完整值。
an=c(1,2,NA) sum(complete.cases(an)) sum(!complete.cases(an))#==sum(is.na(an)) mean(!complete.cases(an)) #获得缺失比例==1/3
疑惑：为什么布尔向量，sum一下可以得到数值？ ——因为R默认将TURE、FALSE当做1、0
#计算缺失值个数
sum(is.na(an)) #单数列，sum一下可以直接计算“Ture”的数值和 colSums(is.na(an),na.rm = T) #多维数列，按列，na.rm为是否需要忽略缺失值，na.rm=T表示忽略，删除 rowSums(is.na(an),na.rm = T) #多维数列，按行，na.rm为是否需要忽略缺失值，na.rm=T表示忽略，删除
#数据框中的缺失值操作
#数据框中的缺失值操作
y <- an[is.na(an)] #选中缺失值 y<- an[is.na(an)=="TRUE"] #上同，选中缺失值 an[is.na(an)] <- 0 # 表示将向量x中所以NA元素用0来代替 an[(!is.na(an)) & x>0] -> z #可以用 & 加入其他条件，进行筛选
————————————————————————————————————————————————————————————
缺失值检测解决方案：
关于缺失值的检测应该包括：缺失值数量、缺失值比例、缺失值与完整值数据筛选。
#缺失值解决方案 sum(complete.cases(saledata)) #is.na(saledata) sum(!complete.cases(saledata)) mean(!complete.cases(saledata)) #1/201数字，缺失值比例 saledata[!complete.cases(saledata),] #筛选出缺失值的数值