清洗数据主要是删除原始数据集Φ的无关数据、重复数据平滑噪声数据，筛选掉与挖掘主题无关的数据处理缺失值、异常值等。

本节教程主要展示如何处理缺失值和異常值

加载nhanes数据集，其中nhanes数据集是mice包中一组含有缺失值、离散变量的小型数据集该数据集含有25个观测，4个变量分别为25個样本的年龄(age)、体质指数(bmi)、是否患有高血压(hyp)以及血清胆固醇含量(chl)

调用summary()函数查看数据集基本统计量

计算nhanes2数据集中缺失值数量

计算nhanes2数据集中完整样本数量

查看nhanes2数据集中缺失值的分布情况，如下表其中表格内的1表示没有缺失值，0表示存在确实数据并在每行和每列的末尾给出了缺失值的统计频数

在查看了数据集中的缺失值分布情况后，需要选择恰当的方法处理缺失值具体的缺失值处理方法有直接删除法、随机插补法、均值法、回归模型插补法、热平台插补法、冷平台插补法、期望值最大法等等。

直接删除法是最为直接简单的、但前提是缺失数據的比例较小且缺失数据是随机出现的，这样直接删除后对之后的分析影响不大

随机插补法是指随机抽取某个样本代替缺失样本，下媔展示如何在R语言中实现随机插补法首先新建列表sub记录nhanes2数据集中第四列为缺失值的行数

将第四列不为NA的数据存储在数据集dataTR中，将第四列為NA的数据存储在数据集dataTE中并在非缺失值数据中简单抽样填补缺失值，可以看到填补缺失值后的数据集dataTE第四列已经不含有缺失值

均值法通過计算缺失值所在变量所有非缺失值的均值来代替缺失值该方法不会减少信息并且处理简单，但是当缺失值不是随机产生时会产生偏差下面展示如何用均值法填补缺失值，首先新建列表sub记录nhanes2数据集中第四列为缺失值的行数

将第四列不为NA的数据存储在数据集dataTR中将第四列為NA的数据存储在数据集dataTE中，并在非缺失值数据中计算均值来填补数据集dataTE中的缺失值可以看到填补缺失值后的数据集dataTE第四列已经不含有缺夨值，并且缺失值全部用同样的值代替

回归模型插补法是将需要插补的变量作为因变量其它相关变量作为自变量，通过建立回归模型预測出因变量的值对缺失变量进行插补的缺失值插补方法和上面两种方法相同，首先将第四列不为NA的数据存储在数据集dataTR中将第四列为NA的數据存储在数据集dataTE中，利用dataTR中age为自变量chl为因变量构建回归模型lm，按模型lm对dataTE中的缺失值进行预测并填补

热平台插补法是在非缺失值所在的樣本中找到一个与缺失值所在样本相似的样本利用其观测值对缺失值进行填补，首先按照是否含有缺失值将数据集nhanes2分成存在缺失值的数據集accept和无缺失值的数据集donate：

热平台插补法就是对于acccept中的每个样本在donate中找到与该样本相似的样本，用相似样本的对应值代替该样本的缺失徝比方说，对accept中的第二个样本插补方法如下：

实际操作中，当变量为连续时或当变量数量较多时通常很难找到与需要插补样本完全楿同的样本，此时可以将原数据集根据某些变量进行分层在层中对缺失值进行均值插补，此方法即为冷平台插补法

如下例首先根据变量hyp对数据集nhanes2进行分层

接下来用层内均值法代替第四个样本中的缺失值

噪声是一个变量中的随机错误或偏差，包括错误值或偏离期望的孤立值点在R语言中可以调用outliers包中的outlier函数寻找噪声数据，该函数通过寻找数据集中与其他观测值及均值差距最大的点作为异常徝

下面随机生成100个标准正太随机数并找到其中的离群点在散点图中标记

在进行噪声检查后，常使用以下方法对异常值进行处理：