R语言处理GEM等4类数据集：识别并删除缺失值NA

第一步：统一缺失值标记 #

四个数据集里仅Hofstede使用.作为缺失值标记，其余三个数据集的缺失值均为R标准NA格式，先统一缺失值规范：

# 替换Hofstede中的.为标准NA
Hofstede[Hofstede == "."] <- NA
# 将Hofstede的文化维度列从字符型转为数值型，自动处理异常值为NA
Hofstede[, c("Power Distance", "Individualism", "Masculinity", "Uncertainty Avoidance")] <- lapply(Hofstede[, c("Power Distance", "Individualism", "Masculinity", "Uncertainty Avoidance")], as.numeric)

其余三个数据集无自定义缺失标记，无需额外转换。

第二步：缺失值情况统计 #

先统计各列缺失率，判断缺失严重程度再决定处理逻辑：

# 以GEM数据集为例，其他数据集替换变量名即可
# 查看每列缺失率（百分比）
sapply(GemData, function(x) round(sum(is.na(x))/nrow(GemData)*100, 2))
# 查看所有包含缺失值的行
GemData[!complete.cases(GemData), ]

如果某列缺失率超过30%，建议优先考虑是否要将该列纳入回归，而非直接删除样本。

第三步：缺失值剔除方案 #

可根据你的分析需求二选一：

• 仅剔除回归用到的变量有缺失的样本（推荐，尽可能保留样本量）
  可以直接在回归函数中指定缺失处理逻辑，不需要提前删数：

  # 回归时自动剔除用到的变量存在缺失的样本
  lm(因变量 ~ 自变量1 + 自变量2, data = 你的数据集, na.action = na.omit)
  

  如果需要单独提取干净的数据集用于其他分析：

  # 替换引号内的内容为你实际要用到的回归变量名
  clean_data <- 原始数据集[complete.cases(原始数据集[, c("变量1", "变量2", "变量3")]), ]
  

• 剔除所有存在任意缺失值的样本（适合样本量充足、缺失占比很低的场景）

  # 直接删除所有含NA的行
  clean_data <- na.omit(原始数据集)
  

多数据集合并场景额外建议 #

后续需要将四个数据集按国家匹配合并后再做回归的话，建议先完成国家代码统一：

• GEM的cntry、Hofstede的ctr、GPS的isocode均为三位ISO国家代码，可以直接作为匹配键
• GLOBE数据集目前只有国家名，可先关联三位ISO代码后再合并
  合并完成后再统一做一次缺失值剔除，避免匹配过程中产生的新NA影响回归结果。

结果校验 #

处理完成后执行以下代码确认无残留缺失值：

sum(is.na(clean_data))

返回结果为0即说明数据集已无缺失值，可直接用于后续回归分析。

内容的提问来源于stack exchange，提问作者Liam