Fehlende Werte

In echten Daten fehlt immer etwas: Jemand hat eine Frage übersprungen, ein Messgerät ist ausgefallen, eine Frage wurde gar nicht erst gestellt. R schreibt dafür NA, für not available. Wie R damit umgeht, ist auf den ersten Blick lästig und auf den zweiten sehr vernünftig.

NA steckt an

Mit einem unbekannten Wert ist auch jedes Ergebnis unbekannt. Was ist 5 plus eine Zahl, die niemand kennt? Darauf kann R nur mit NA antworten:

organic_share <- c(5, NA, 2, 4)
mean(organic_share)

Das gilt auch für Vergleiche. Selbst NA == NA ergibt NA, denn ob zwei unbekannte Werte gleich sind, weiß niemand.

Fehlende Werte weglassen

Viele Funktionen haben das Argument na.rm (remove NA). Mit na.rm = TRUE rechnen sie nur mit den Werten, die da sind:

organic_share <- c(5, NA, 2, 4)
mean(organic_share, na.rm = TRUE)

Dass du das ausdrücklich sagen musst, ist Absicht: Fehlende Werte sollen nicht unbemerkt verschwinden. Der Mittelwert oben gilt jetzt für drei Personen, nicht für vier.

Fehlende Werte finden

Weil ein Vergleich mit NA nicht funktioniert, gibt es dafür eine eigene Funktion. is.na() liefert TRUE, wo ein Wert fehlt:

organic_share <- c(5, NA, 2, 4)
is.na(organic_share)

Zusammen mit dem, was du über das Zählen weißt, ergibt sum(is.na(organic_share)) die Zahl der fehlenden Werte.

Vorher fragen, warum etwas fehlt

Bevor du fehlende Werte weglässt, lohnt sich die Frage, warum sie fehlen. In einer Umfrage bedeutet NA oft „nicht gefragt“, weil eine Frage nur einem Teil gestellt wurde. Wer solche Werte einfach entfernt, spricht danach über eine andere Gruppe von Menschen als vorher.

Zum Mitnehmen

• NA ist ein unbekannter Wert; jede Rechnung damit ergibt wieder NA.
• na.rm = TRUE lässt fehlende Werte ausdrücklich weg.
• is.na() findet sie, sum(is.na(x)) zählt sie.