在 R 中读取 CSV 文件并处理缺失值是数据清洗的重要步骤。以下是具体方法和代码示例：

1. 读取 CSV 文件并识别缺失值
   使用 read.csv() 函数读取文件时，可以通过 na.strings 参数指定哪些值应被识别为缺失值（NA）。

示例：读取 CSV 文件并将 “NULL” 和 “?” 识别为缺失值

data <- read.csv(“data.csv”, na.strings = c(“NULL”, “?”))

2. 检查缺失值
   可以使用以下方法检查数据中的缺失值：

检查每列的缺失值数量

colSums(is.na(data))

检查数据框中是否存在缺失值

anyNA(data)

3. 处理缺失值
   根据需求，可以选择删除或填充缺失值。
   (1) 删除缺失值
   删除包含缺失值的行：
   data_cleaned <- na.omit(data)
   删除特定列的缺失值：
   data_cleaned <- data[!is.na(data$column_name), ]
   (2) 填充缺失值
   用均值填充：
   2025/10/12 19:3
   Bing Writer • Generated with AI 2/2
   data$column_name[is.na(data$column_name)] <- mean(data$column_name, na.rm = TRUE)
   用中位数填充：
   data$column_name[is.na(data$column_name)] <- median(data$column_name, na.rm = TRUE)
   用特定值填充：
   data$column_name[is.na(data$column_name)] <- 0 # 或其他值
4. 替换特定值为 NA
   如果数据中某些值（如 999）表示缺失值，可以将其替换为 NA：
   data[data == 999] <- NA
5. 保存清洗后的数据
   将处理后的数据保存为新的 CSV 文件：
   write.csv(data_cleaned, “cleaned_data.csv”, row.names = FALSE)
   通过这些方法，你可以灵活地处理 CSV 文件中的缺失值，确保数据质量适合后续分析