NA의 처리

NA는 값이 기록되지 않았거나 관측되지 않은 경우 데이터에 저장되는 값으로 ‘결측치’라고 부른다. 예를 들어, 인구 조사에서 특정 가구가 소득을 묻는 항목에 답을 하지 않았다면 해당 값은 NA로 기록될 것이다.

데이터에 NA가 포함되어 있을 경우 연산 결과가 다음과 같이 NA로 바뀌어버리므로 주의가 필요하다.

> NA & TRUE
[1] NA
> NA + 1
[1] NA

이러한 문제점을 해결하기 위해 많은 R 함수에서 na.rm을 함수 인자로 받는다. na.rm은 NA 값이 있을 때 해당 값을 연산에서 제외할 것인지를 지정하는 데 사용한다. 다음 예를 살펴보자.

> sum(c(1, 2, 3, NA))
[1] NA
> sum(c(1, 2, 3, NA), na.rm=TRUE)
[1] 6

이처럼 NA 값에 따라 처리를 다르게 하려면 na.fail, na.omit, na.exclude, na.pass 함수를 사용한다. 또 다른 예로, 잘 알려진 기계 학습 패키지 중 하나인 caret(Classification and Regression Training)[1]은 NA 처리 방법을 결정한다. 표 3-5에 이 함수들을 보였다.

다음 예는 이 함수들의 차이를 보여준다.

> (x <- data.frame(a=c(1, 2, 3), b=c("a", NA , "c"), c=c("a", "b", NA)))
  a    b    c
1 1    a    a
2 2 <NA>    b
3 3    c <NA>
> na.fail(x)     # NA가 포함되어 있으므로 실패
Error in na.fail.default(x) : missing values in object
> na.omit(x)     # NA가 포함된 행을 제외
  a b c
1 1 a a
> na.exclude(x)  # NA가 포함된 행을 제외
  a b c
1 1 a a
> na.pass(x)     # NA의 여부에 상관없이 통과
  a    b    c
1 1    a    a
2 2 <NA>    b
3 3    c <NA>

따라서 NA를 어떻게 처리할지를 na.action이라는 함수 인자로 받았다면 ‘na.action(데이터 프레임)’을 실행해 현재 처리 중인 데이터를 사용자가 원하는 대로 정제할 수 있다.

  > df <- data.frame(x=1:5, y=seq(2,10,2))
  > df[3, 2]=NA
  > df
  x y
  1 1 2
  2 2 4
  3 3 NA
  4 4 8
  5 5 10

  > resid(lm(y ~ x, data=df, na.action=na.omit))
              1            2            4             5
  -2.982647e-16 3.439354e-16 1.612526e-16 -2.069233e-16

  > resid(lm(y ~ x, data=df, na.action=na.exclude))
              1            2            3             4             5
  -2.982647e-16 3.439354e-16            NA 1.612526e-16 –2.069233e-16