为什么有些人使用-999或-9999替换缺失值？

我有一个数据集。有很多缺失值。对于某些列，缺失值被替换为-999，而对于其他列，缺失值被标记为“ NA”。

为什么我们用-999代替缺失值？

当计算机软件将数值向量存储为数值向量时，这是较早时期的坚持。没有实数具有“我不见了”的语义。因此，当早期的统计软件不得不区分“真实”数字和缺失值时，他们输入了“显然”不是有效数字的值，例如-999或-9999。

当然，-999或-9999代表缺失值根本不是“显而易见的”。通常，它肯定是一个有效值。除非您明确检查这些值，否则分析中可能会出现各种“有趣的”错误。

如今，可以包含缺失值的数字向量在内部表示为“丰富的”数字向量，即具有关于哪些值缺失的附加信息的数字向量。这当然好得多，因为缺失的值将被照这样处理，而不会被错误地视为有效。

不幸的是，某些软件可能仍使用这种约定，也许是出于兼容性考虑。而且，即使他们的软件支持干净地输入缺失值，一些用户也通过非正式渗透吸收了该约定，并输入-999而不是NA。

道德：不要将缺失值编码为-999。

这些值适用于数据库。很久以前的大多数数据库，今天的许多数据库，为整数值数据分配了固定数量的数字。像-999这样的数字是最小的，可以存储四个字符，-9999可以存储五个字符，依此类推。

（不言而喻，根据定义，数字字段不能存储字母数字字符，例如“ NA”。 必须使用某些数字代码来表示丢失或无效的数据。）

为什么使用可以存储的最大负数来表示缺失值？ 因为如果您错误地将其视为有效数字，则希望结果显着不正确。 缺少值的代码越接近现实，您就越安全，因为严重错误的输入通常会破坏输出。（强大的统计方法是个例外！）

这样的错误怎么会发生？在系统之间交换数据时，始终会发生这种情况。当您以大多数格式（例如CSV）写出数据时，假设-9999表示缺少值的系统将自动输出该值。读取该CSV文件的系统可能不会“知道”（或不会被“告知”）以将此类值视为丢失。

另一个原因是，良好的统计数据和计算平台会识别许多不同类型的缺失值：NaN，真正的缺失值，上溢，下溢，无响应等。通过投入尽可能多的负值（例如-9999，- 9998，-9997等），您可以轻松查询任何表或数组中的所有缺失值。

还有另一个是，这些值通常在图形显示中显示为极端异常值。在您可以选择在图形中脱颖而出的所有值中，最大可能的负值是远离数据的最大机会。

有一些有用的含义和概括：

• $-10^{303}$

• 采用这种类型的标准规则可以使在新情况下（设计自己的数据库软件时）轻松发明NoData代码。

• 如果软件和系统完全失败，则将它们设计为严重失效。最严重的错误是断断续续的，随机的或微小的错误，因为它们可能会被发现而难以发现。

您可以使用任何方法来编码缺失值。某些软件（例如R）使用特殊值对丢失的数据进行编码，但是也有一些软件包（例如SPSS）没有针对丢失数据的任何特殊代码。在第二种情况下，您需要为这些值做出任意选择。您可以选择任何内容，但通常最好选择一些明显不同于您数据的值（例如，您的数据是0-100范围内的百分比，因此您选择999来编码丢失的数据，或者您的数据是人类年龄和您将负值用于缺失的观测值）。其背后的想法是，这样做可以使您注意到是否出了问题，并且数字没有累加。

但是，这种编码的问题是，您实际上无法注意到特殊的编码，并最终导致了垃圾结果。

数据集中是否有计算变量？还是这是来自合并/排序数据的分析数据集？一些软件使用非常大的负值来表示丢失的数据。但是其他软件会使用NA或NA创建缺失值.。当它们不一致时，通常一些后期处理会导致分歧。

当然，在SPSS中，缺失值999或任何IS被标记为特殊的缺失代码并与其他值分开处理。它可以单独列出，也可以完全排除。区别在于零除法或log（0）之类的结果。