##设置工作空间

#把“数据及程序” 文件夹复制到F盘下， 再用setwd设置工作空间

setwd（"F： /数据及程序/chapter4/示例程序"）

#读取销售数据文件， 提取标题行

inputfile=read.csv（'./data/catering_sale.csv'， he=T）

#变换变量名

inputfile=data.frame（sales=inputfile$'销量'， date=inputfile$'日期'）

#数据截取

inputfile=inputfile［5： 16， ］

#缺失数据的识别

is.na（inputfile） #判断是否存在缺失

n=sum（is.na（inputfile） ） #输出缺失值个数#异常值识别

par（mfrow=c（1， 2） ） #将绘图窗口划为1行两列， 同时显示两图

dotchart（inputfile$sales） #绘制单变量散点图

boxplot（inputfile$sales， horizontal=T） #绘制水平箱形图

#异常数据处理

inputfile$sales［5］ =NA #将异常值处理成缺失值

fix（inputfile） #表格形式呈现数据

#缺失值的处理

inputfile$date=as.numeric（inputfile$date） #将日期转换成数值型变量

sub=which（is.na（inputfile$sales） ） #识别缺失值所在行数

inputfile1=inputfile［-sub， ］ #将数据集分成完整数据和缺失数据两部分inputfile2=inputfile［sub， ］#行删除法处理缺失， 结果转存result1=inputfile1#均值替换法处理缺失， 结果转存avg_sales=mean（inputfile1$sales） #求变量未缺失部分的均值

inputfile2$sales=rep（avg_sales， n） #用均值替换缺失

result2=rbind（inputfile1， inputfile2） #并入完成插补的数据

#回归插补法处理缺失， 结果转存

model=lm（sales~date， data=inputfile1） #回归模型拟合

inputfile2$sales=predict（model， inputfile2） #模型预测

result3=rbind（inputfile1， inputfile2）

#多重插补法处理缺失， 结果转存

library（lattice） #调入函数包library（MASS）library（nnet）

library（mice） #前三个包是mice的基础

imp=mice（inputfile， m=4） #4重插补， 即生成4个无缺失数据集

fit=with（imp， lm（sales~date， data=inputfile） ） #选择插补模型

pooled=pool（fit）

summary（pooled）

result4=complete（imp， action=3） #选择第三个插补数据集作为结果