人間はよく、ぽっかり空いた穴を埋めたくなるものだと思います。心にぽっかり空いた穴、マイクラでクリーパーに吹き飛ばされた穴、そしてデータに潜む欠測の穴...。今日は欠測の補完に役に立つR言語のパッケージ : simputationの紹介です。

以下のcsvファイルには、東京または大阪の男女計10名に月収をインタビューしたときの値がレコードされています。変数列には
・性別
・地域
・月収（万円）
があり、無回答の項目は空白にしています。

問題 : 以下のようにデータを確認してもらうと、5行目の東京・男性の月収が無回答であったことが確認できます。この欠測部分に東京・男性の中央値を補完するスクリプトを書いてみてください。

# 必要なパッケージのロード
library(readr)
library(dplyr)
library(simputation)    # install.pacakges("simputation")でインストールしておく。

# データの読み込み
# 東京・男性のデータは1行目・3行目・5行目
impute_demo <- read_csv("impute_demo.csv",
                        locale = locale(encoding = "cp932"))
impute_demo

解答例 : simputationパッケージのimpute_median関数を用いる。impute_median関数の使い方は、次の通りです。

impute_median(dat = 対象のデータフレーム, formula = 欠測補完のモデル)

今回であれば以下のようなスクリプトで補完できるでしょう。

# 欠測補完
# 欠測でない1行目と3行目の中央値で、5行目を補完する。
# -> 5行目が、(28.6 + 30.9)/2 = 29.75で補完されていればよい。
impute_demo %>% impute_median(formula = 月収 ~ 地域 + 性別)

なお、Tokyo.R 第65回ではgepuroさんによるsimputationパッケージの紹介が行われていたようで、とても分かりやすい資料がslideshareにアップロードされています。

なお今回の記事は、欠測の補完に便利なパッケージをさらっと紹介しましたが、本来の欠測の補完では「欠測のメカニズム」を考えることがとても重要になります。ぜひ調べてみてください。

おわりに

今回はRのクイズ形式で記事を書いてみました。短めの記事を心掛けたのですが、楽しんでいただけたでしょうか。この記事をきっかけに
・欠測データの面白さ
・R言語の頼もしさ
を一層感じて頂けていたら、僕はとても嬉しいです。それではまた次回。