主要是通过R语言，对日期数据进行处理，并补全缺失数据 rawdata<- read.csv("C:/Users/li/Desktop/ss.csv",fill=F) #提取数据 ss1,并组合数据------------------------------- ts1<-rawdata$ts1 ts11<-as.Date(ts1,'%Y/%m/%d') false<-is.na(ts11) ts21<-ts11[!false] ss1<-rawdata$SS1

译者序 前言 第1章 导论 1.1 预测与解释 1.2 预测模型的关键部分 1.3 专业术语 1.4 实例数据集和典型数据场景 1.5 概述 1.6 符号 第一部分 一般策略 第2章 预测建模过程简介 2.1 案例分析：预测燃油效能 2.2 主题 2.3 总结 第3章 数据预处理 3.1 案例分析：高内涵筛选中的细胞分组 3.2 单个预测变量数据变换 3.3 多个预测变量数据变换 3.4 处理缺失值 3.5 移除预测变量 3.6 增加预测变量 3.7 区间化预测变量 3.8 计算 习题 第4章

R语言处理缺失值 在处理数据过程中，避免不了会产生一些缺失值，如未填写数据或者编码错误等原因，用NA表示缺失值。在R语言中，is.na()函数可以判断元素是否是缺失值，从而返回逻辑值(TRUE/FALSE)，所以该函数将会返回和元数据集一样大小的数据集。在判断缺失值的过程中，需要注意以下两点： 一是缺失值是不可以比较的，即不可以用缺失值去寻找缺失值，如var == NA返回的结果永远不会是true。 二是R语言中不会将正无穷和负无穷写成NA，分别用 Inf 和 –Inf 所标记。 既然缺失值可能