Erreur dans na.fail.default: valeurs manquantes dans l'objet - mais pas de valeurs manquantes

Je suis en train de lancer un lme modèle avec ces données:

tot_nochc=runif(10,1,15)
cor_partner=factor(c(1,1,0,1,0,0,0,0,1,0))
age=runif(10,18,75)
agecu=age^3
day=factor(c(1,2,2,3,3,NA,NA,4,4,4))
dt=as.data.frame(cbind(tot_nochc,cor_partner,agecu,day))
attach(dt)

corpart.lme.1=lme(tot_nochc~cor_partner+agecu+cor_partner *agecu, 
                  random = ~cor_partner+agecu+cor_partner *agecu |day, 
                  na.exclude(day))

- Je obtenir ce code d'erreur:

Erreur dans na.un échec.par défaut(liste(cor_partner = c(1L, 1L, 2L, 1L, 1L, 1L, :
les valeurs manquantes dans l'objet

Je suis au courant qu'il ya des questions similaires dans le forum. Cependant, dans mon cas:

  • cor_partner a pas de valeurs manquantes;
  • l'objet entier est codé comme un facteur de (au moins de ce que l'Environnement Mondial).

J'ai pu exclure ceux NA des valeurs avec une na.de l'action, mais je préfère savoir pourquoi la fonction est la lecture de valeurs manquantes à comprendre exactement ce qui se passe à mes données.

source d'informationauteur InverniE

  1. 15

    tl;dr vous devez utiliser na.exclude() (ou autre) sur l'ensemble de la trame de données à la fois, de sorte que le reste des observations séjour correspondait à travers des variables ...

    set.seed(101)
tot_nochc=runif(10,1,15)
cor_partner=factor(c(1,1,0,1,0,0,0,0,1,0))
age=runif(10,18,75)
agecu=age^3
day=factor(c(1,2,2,3,3,NA,NA,4,4,4))
## use data.frame() -- *DON'T* cbind() first
dt=data.frame(tot_nochc,cor_partner,agecu,day)
## DON'T attach(dt) ...

    Essayez maintenant:

    library(nlme)
corpart.lme.1=lme(tot_nochc~cor_partner+agecu+cor_partner *agecu, 
              random = ~cor_partner+agecu+cor_partner *agecu |day, 
              data=dt,
              na.action=na.exclude)

    Nous obtenons la convergence des erreurs et des avertissements, mais je pense que c'est maintenant, parce que nous sommes à l'aide d'un minuscule composé de l'ensemble de données sans suffisamment d'informations et pas en raison d'un problème inhérent avec le code.

  2. -1

    randomForest paquet a une na.roughfix fonction "impute des Valeurs Manquantes par la médiane et le mode"

    Vous pouvez l'utiliser comme suit

    fit_rf<-randomForest(store~.,
        data=store_train,
        importance=TRUE,
        prOximity=TRUE,
        na.action=na.roughfix)