CRAN 任务视图：缺失数据

缺失数据在数据集中非常常见。基础 R 提供了一些选项来处理它们，使用仅涉及观察数据的计算（函数 mean、var 等中的 na.rm = TRUE 或函数 cov、cor 等中的 use = complete.obs|na.or.complete|pairwise.complete.obs）。基础包 stats 还包含泛型函数 na.action，它提取用于创建对象的 NA 操作的信息。此外，包 ie2misc 包含一个二元运算符 +，它在处理缺失数据时与原始 + 运算符的行为不同。

这些基本选项得到了 CRAN 上许多包的补充。在本任务视图中，我们重点介绍了最重要的那些包，这些包在一年多前发布，并且定期更新。任务视图按主要主题结构化

• 缺失数据探索
• 基于似然的方
• 单一插补
• 多重插补
• 加权方法
• 特定类型的数据
• 具体任务
• 具体应用领域

除了当前的任务视图之外，这个 关于缺失数据的参考网站 也可能有所帮助。补充信息也可以在 TimeSeries、SpatioTemporal、Survival 和 OfficialStatistics 中找到。请注意，大多数涵盖时间和时空插值以及删失数据的包都没有被缺失数据任务视图覆盖。

如果您认为我们在这个列表中遗漏了一些重要的包，请通过电子邮件联系维护者，或在上面链接的 GitHub 存储库中提交问题或拉取请求。

缺失数据探索

• 缺失数据的操作在 sjmisc、sjlabelled、retroharmonize、mde（也提供探索缺失模式的基本函数）、tidyr（遵循 tidyverse 原则）和 declared 包中实现。此外，memisc 提供可定义的缺失值，以及用于管理调查数据和变量标签的基础设施。更具体地说，fauxnaif 将给定值转换为 NA，而 fillr 根据简单的预定义规则填充向量中的缺失值。
  roperators 提供字符串算术、重新赋值运算符、处理缺失值的逻辑运算符。
• 缺失数据模式可以使用 mi（及其 GUI migui）、wrangle、DescTools 和 naniar 包来识别和探索。 daqapo 是一个通用的数据质量工具箱，也可以用来识别缺失数据。更具体地说，ggmice 为 mice imputation 工作流程生成图表，可用于缺失数据探索和 imputation 质量评估。
• 描述缺失数据分布和模式的图形在 VIM（它有一个图形用户界面 VIMGUI，目前已在 CRAN 上存档）和 naniar（遵循 tidyverse 原则）中实现。
• MAR 假设（与 MCAR 假设相比）的检验：Little 的 MCAR 假设检验在 misty 中实现。其他方法也存在于其他地方：RBtest 提出了基于回归的方法来检验缺失数据机制，而 PKLMtest 实现了基于 KL 的 MCAR 检验。
  此外，isni 通过计算对非可忽略性的局部敏感性指数来测试对可忽略性假设的敏感性。
• 评估：missCompare 和 missMethods 提供了一个完整的框架来比较不同的插补策略（包括诊断和可视化）。Iscores 包也可以用于使用基于 KL 的评分规则来评估插补质量。
  可以使用 mice 的 ampute 函数、simFrame 包（它提供了一个非常通用的模拟框架）或 simglm 包（它在简单和广义线性回归模型中模拟数据和缺失值）来执行评估插补质量的模拟。类似地，imputeTestbench 提供了一个基准来评估单变量时间序列插补。
  此外，mi 和 VIM 也提供诊断图，可以帮助评估插补质量。

基于似然的方

• 基于期望最大化 (EM) 算法的方法在 norm 和 mvnmle 中针对多元正态数据集实现，在 cat 中（针对多元分类数据的 em.cat 函数），在 mix 中（针对多元混合分类和连续数据的 em.mix 函数）。这些包还为相同模型实现了贝叶斯方法（包括插补和后验步骤）（针对 norm、cat 和 mix 的 da.XXX 函数），并且可以在模型参数估计后用于获得插补后的完整数据集或多个插补（针对 norm、cat 和 mix 的 imp.XXX 函数）。monomvn 在缺失模式单调的情况下，针对多元正态和学生分布提出了类似的方法。
  CensMFM、imputeMulti 和 MMDai 通过使用 EM 方法来拟合不同多元缺失数据的混合模型（针对数值或分类数据）来扩展这些方法。 RMixtCompIO 是一个完整的混合模型库，它处理缺失数据，并且基于 C++ 库 MixtComp。它可以与 RMixtCompUtilities 结合使用，后者提供各种图形、获取器和实用程序函数。
  在 ppmSuite 中实现了具有缺失协变量值的层次高斯模型和概率模型。 PReMiuM 实现了狄利克雷过程混合模型（将响应与协变量通过聚类成员资格联系起来的回归模型），其中包含缺失的协变量值。
  imputeR 也使用基于 EM 的插补框架，该框架提供了几种不同的算法，包括 Lasso、基于树的模型或 PCA。此外，TestDataImputation 实现了基于 EM 估计（以及其他更简单的插补方法）的插补，这些方法非常适合具有项目响应的二元和多元测试。
• 多重插补 使用 mlmi 中的最大似然多重插补执行。
• 完全信息最大似然（也称为“直接最大似然”或“原始最大似然”）在 lavaan（及其扩展 semTools）、OpenMx、rsem 和 simsem 中可用，用于处理结构方程模型中的缺失数据。
• 贝叶斯方法 用于处理基于模型的聚类中具有变量选择的缺失值，可在 VarSelLCM 中使用。该软件包还提供使用后验均值的插补。
• 广义线性模型中的缺失值 可以使用 mdmb 软件包针对各种族处理。 JointAI 实现了广义线性混合模型的贝叶斯方法，而 bild 实现了具有混合效应的逻辑回归，用于允许缺失值的二元纵向数据。 ClusPred 还处理混合模型中的缺失值，该模型具有固定组效应，当组变量缺失时。
  brlrmr 提出了一种方法来减少估计具有缺失响应的逻辑回归中的偏差。
• 项目反应模型中的缺失数据（包括 Rasch 模型及其扩展）在 TAM、mirt、eRm 和 ltm 中实现，用于单变量或多变量响应。 LNIRT 也处理这些模型，但允许将缺失值指定为“设计缺失”，而 MLCIRTwithin 包括潜在类别模型。
• 回归模型结果中的缺失值在 mreg 中处理。

单一插补

• 最简单的缺失数据插补方法是均值插补（或中位数、众数等）。这种方法在许多包中都有提供，其中包括 Hmisc，它包含各种建议，用于用相同的值插补变量的所有缺失实例。
• 通用包：包 VIM 和 filling 包含几种流行的缺失值插补方法（包括下面列出的专门方法部分中列出的一些方法）。此外，simputation 是一个通用的插补包，可以使用任何预测方法进行插补，可以与各种回归方法结合使用，并且与 tidyverse 很好地配合使用。
• k-最近邻是一种流行的缺失数据插补方法，它在许多包中都有提供，包括主要包 yaImpute（具有许多不同的 kNN 插补方法，包括基于 CCA 的插补）和 VIM。它也存在于 impute 中（它面向微阵列插补）。
  isotree 使用类似的方法来插补缺失值，该方法基于样本之间的相似性和隔离森林。
• 热平台插补在包 hot.deck 中实现，具有各种可能的设置（包括多重插补）。它也存在于 VIM（函数 hotdeck）中，并且 FHDI 提供了一个分数版本（使用权重）。StatMatch 也使用热平台插补从外部数据集插补调查。
  类似地，impimp 使用“捐赠者”的概念来插补一组可能的值，称为“不精确插补”。
• 基于随机森林的插补在 missForest 中实现，在 missRanger 中有一个更快的版本。 Rforestry 使用原始随机森林方法的变体扩展了这种方法。
• 在 VIM 包中实现了**其他基于回归的填补方法**（在 `regressionImp` 函数中使用线性回归填补）。iai 包基于 knn、决策树或 SVM 算法对最佳填补方法进行调优，而 SurrogateRegression 包使用双变量回归对部分缺失目标结果进行估计和推断。
• 在 missMDA 包中实现了**基于迭代 PCA/SVD 分解的矩阵补全方法**，适用于数值型、分类型和混合型数据（包括组别填补）。**NIPALS**（也基于 SVD 计算）在 mixOmics 包（用于 PCA 和 PLS）、ade4 包、nipals 包和 plsRglm 包（用于广义模型 PLS）中实现。 cmfrec 包是一个专门用于矩阵分解（用于推荐系统）的大型包，其中也包含填补方法。其他基于 PCA/因子分解的填补方法在 pcaMethods 包（包含 PCA 的贝叶斯实现）、primePCA 包（用于高维 PCA 中的异质缺失）和 tensorBF 包（用于三维张量数据）中实现。**基于低秩的填补方法**在 softImpute 包中提供，该包包含几种用于迭代矩阵补全的方法。 eimpute 包实现了基于大型矩阵低秩近似的高效填补方法。低秩填补方法也存在于非常通用的 rsparse 包中，该包包含各种用于稀疏矩阵的工具。基于低秩假设的变体在 denoiseR 包、mimi 包、ECLRMC 包和 CMF 包（用于集成矩阵补全）以及 ROptSpace 包（包含一种计算效率高的方法）中实现。
• 在 NIMAA 中，基于数据挖掘和简单规则提出了对分类变量的插补方法。 OTrecod 还可以通过使用两个数据库共享的信息和基于最优传输的方法来插补分类变量。
• 在 CoImp 中，使用半参数插补程序实现了基于copula的插补，在 mdgc 中使用高斯copula对混合数据类型进行了插补。
• 在 SOMbrero 和 missSOM 中提供了基于自组织映射的插补。
• 在 deductive 中实现了基于验证规则（演绎方法）的插补。

多重插补

上面提到的某些包还可以处理多重插补。

• Amelia 使用基于EM的Bootstrap多重插补来估计参数，对于定量数据，它假设多元高斯分布进行插补。此外，AmeliaView 是 Amelia 的图形用户界面，可从 Amelia 网页 获取。 FastImputation 提供了 Amelia 中使用的插补过程的快速近似。
  NPBayesImputeCat 还通过对分类变量进行联合建模来实现多重插补，但使用贝叶斯方法。
• mi、mice 和 smcfcs 使用链式方程进行多重插补。其他包基于或扩展了 mice，例如 miceFast，它使用面向对象编程和 C++ 提供了 mice 插补方法的替代实现，bootImpute，它执行基于 bootstrap 的插补和对这些插补的分析，以及 miceRanger、CALIBERrfimpute 和 RfEmpImp，它们都使用随机森林通过链式方程进行多重插补。
• 基于马尔可夫模型的多重插补在 niaidMI 中提出。
• 处理多重插补数据集：mitools 提供了一种通用的方法来处理多重插补，并与任何插补方法结合使用，cobalt 计算多重插补数据集的平衡表和图，SynthTools 提供多重插补数据集的置信区间，miceafter 允许在多重插补后进行不同类型的统计分析和合并。
  此外，mitools 提供了一种通用的方法来处理多重插补，并与任何插补方法结合使用，cobalt 计算多重插补数据集的平衡表和图，而 bucky 自动计算在社会科学背景下对多重插补数据集进行估计的汇总信息。
• missMDA 实施了基于SVD 方法的多重插补。
• hot.deck 实施了基于热平台的多重插补。
• rMIDAS 实施了基于降噪自动编码器的多重插补。
• 多级插补：多级多重插补在 jomo、mice、miceadds、micemd、mitml 和 pan 中实现。
• gerbil 使用潜在联合多元正态模型实现多重插补。
• Qtools 和 miWQS 基于分位数回归实现多重插补。
• lodi 通过删失似然多重插补 (CLMI) 实现低于检测限 (LOD) 的观测值插补。
• 评估：NADIA 提供了一个统一的接口来比较几种插补算法的性能。

加权方法

• 权重计算，通过逆概率加权 (IPW) 来解释未观测数据对观测数据的权重，在 ipw 和 iWeigReg 中实现。 nawtilus 也提出了 IPW 计算，但利用了适用于特定预先指定感兴趣参数的估计方程。
• IPW 也用于 IPWboxplot 中的分位数估计和箱线图。
• 具有缺失结果的双重稳健逆概率加权增强 GEE 估计量在 CRTgeeDR 中实现。
• 时间过程缺失数据的 IPW 在 MIIPW 中实现。

特定类型的数据

• 纵向数据/时间序列数据：时间序列的插补在 imputeTS 中实现。其他包，如 forecast、spacetime、timeSeries、xts、prophet、stlplus 或 zoo 专注于时间序列，但也包含一些（通常是基本的）方法来处理缺失数据（另请参见 TimeSeries）。基于整洁原则，padr 和 tsibble 也提供了用于插补时间序列中缺失值的方法。类似地，DTSg 提供了基于快速 data.table 框架的时间序列中缺失值描述和插补的基本功能。
  更具体的实现方法在其他包中实现：基于动态时间规整的时间序列插补在 DTWBI、DTWUMI 和 FSMUMI 包系列中实现，用于单变量和多变量时间序列。 BMTAR 提供了在多变量时间序列中存在缺失数据的情况下，使用贝叶斯方法估计具有高斯噪声的自回归阈值模型。 swgee 实现了用于具有缺失观测值的纵向数据的 IPW 方法。 tsrobprep 使用时间序列的稳健分解来实现缺失值的插补。 brokenstick 使用折线法处理不规则时间序列中的随机缺失数据。 TRMF 使用时间正则化矩阵分解来插补高维时间序列中的值。
  对于更具体的时间序列，cold 适合具有缺失值的纵向计数
  模型。
  时间序列中极值指数的估计在 exdex 中实现，其中 K-gaps 和 D-gaps 模型可以容纳缺失值。
• 马尔可夫模型：hhsmm 包含各种用于隐藏混合马尔可夫和半马尔可夫模型的方法，这些方法可以容纳缺失数据。
• 空间数据：空间数据的插补在 rtop 包中实现，该包执行不规则区域数据的地球统计学插值，以及在 areal 中，该包使用 tidyverse 数据管理执行区域加权插值。 RcppCensSpatial 使用 EM、SAEM 或 MCEM 估计具有缺失数据的线性空间模型中的参数。
  基于遗传距离的空间数据插值在 phylin 中也可用。
• 时空数据（另请参见 SpatioTemporal）：时空数据的插补在 StempCens 包中实现，使用 SAEM 方法，该方法在 E 步没有解析形式时近似 EM。
  从应用的角度来看，gapfill 专注于在等时间间隔点观察到的卫星数据的插补，而 stfit 使用条件估计的函数主成分分析来插补卫星数据中的缺失像素。 momentuHMM 专注于使用广义隐马尔可夫模型（包括缺失数据的多次插补）分析遥测数据。
• 距离矩阵：edmcr 使用不同的优化方法实现了欧几里得距离矩阵的插补。
• 图/网络: missSBM 估算随机块模型中缺失的边，cglasso 实现图形套索推断的扩展，从删失和缺失值测量中推断，以及 bnstruct 提供各种贝叶斯网络推断方法的扩展，从具有缺失值的數據中推断。面向物种群落网络的推断，eicm 使用二项式 GLM 的扩展，处理缺失值，而 robber 基于随机块模型，也处理缺失值。 rnmamod 包含函数，用于探索具有临床试验中缺失参与者结果数据的网络荟萃分析。
• 列联表插补在 lori 中实现，也可以用于分析具有缺失数据的列联表。
• 成分数据 (CODA) 插补在 robCompositions 和 zCompositions 中实现（针对零值、左删失和缺失数据的各种插补方法）。
• 秩模型，部分缺失的排名在 BayesMallows 中使用贝叶斯方法处理，在 irrNA 中计算评分者间信度和一致性。
• 实验设计: experiment 处理实验设计中的缺失值，例如具有缺失协变量和结果数据的随机实验，以及具有缺失结果的配对设计。
• 重复事件: dejaVu 基于负二项式回归模型执行重复事件数据的多次插补。

具体任务

• 回归和分类: 许多不同的监督方法可以适应缺失值的存在。 randomForest、grf 和 StratifiedRF 处理各种基于随机森林的方法中预测变量中的缺失值。
  toweranNA 在线性模型、GLM 和基于 KNN 的回归中处理预测中的缺失值，无需插补。 misaem 处理线性回归和逻辑回归中的缺失数据，并允许模型选择。 psfmi 还为多次插补数据集中的各种线性模型提供模型选择的框架，而 flare 适应与 Lasso 回归相关的某些模型中的缺失值。
  naivebayes 在存在缺失数据的情况下提供朴素贝叶斯分类器的有效实现。 plsRbeta 实现 PLS 用于预测变量中具有缺失数据的 beta 回归模型。 lqr 提供基于各种分布的分位数回归估计，在存在缺失值和删失数据的情况下。 eigenmodel 处理对称关系数据的回归模型中的缺失值。
• 聚类: biclustermd 处理双聚类中的缺失数据。 RMixtComp，MGMM，mixture 和 MixtureMissing 在存在缺失数据的情况下拟合各种混合模型。 ClustImpute 处理 k 均值聚类中的缺失值。 gbmt 执行聚类以识别包含缺失值的多分量纵向数据中的相似轨迹。 LUCIDus 在某些组学缺失的情况下，从多个组学中执行聚类。 miclust 处理聚类中的多重插补。
• 检验 用于两个样本配对缺失数据的检验在 robustrank，IncomPair 和 MKinfer 中实现，后者基于多个插补数据集。 brxx 使用贝叶斯方法评估具有缺失值的检验的可靠性。
• 荟萃分析: metavcov 提供了一组函数，包括多元荟萃分析中的多重插补。 metansue 可以执行一些缺失（未报告）效应的荟萃分析。 更具体地说，metasens 提供了二元结果荟萃分析的插补，而 NMADiagT 提供了使用网络荟萃分析对剂量反应研究进行贝叶斯分析，其中考虑了 MNAR 缺失值。
• 敏感性分析 和具有不可忽略缺失模式的置信区间在 ui 中处理。
• 异常值检测 （和稳健分析）在存在缺失值的情况下在 GSE 和 rrcovNA 中实现。
• ROC 估计 在存在缺失值的情况下，在 bcROCsurface 中用于 ROC 曲面，在 BLOQ 中用于左删失数据。
• 中介分析在存在缺失值的情况下，可以在 bmem 和 bmemLavaan 中实现，后者专门用于处理非正态数据。 paths 使用插补方法来估计因果中介分析中特定路径的影响。
• 综合指标可以使用 COINr 包进行插补。
• 模糊逻辑：lfl 包含基本的模糊相关代数函数，能够处理模糊逻辑的缺失值。
• ODE：pCODE 包提供了参数级联方法的实现，用于估计具有缺失或完整观测值的常微分方程模型。

具体应用领域

• 遗传学：SNP 数据的插补在 alleHap（仅使用基于谱系数据的确定性技术）中实现，在 QTLRel（使用侧翼 SNP 的信息）中实现，在 snpStats（使用最近邻方法）中实现，在 HardyWeinberg（使用基于等位基因强度和/或侧翼 SNP 的多项式模型进行多次插补）中实现。此外，SNPassoc 和 SNPfiltR 提供了探索缺失 SNP 的函数。
  qgtools 包含线性混合模型和重采样技术，用于在存在缺失数据的情况下进行数量遗传分析。在 StAMPP 中，使用 EM 算法计算存在缺失 SNP 的群体的遗传统计量，并在 FamEvent (已归档)、hapassoc 和 Haplin 中拟合基因型到表型的模型。
  最后，FILEST 用于模拟具有异常个体和缺失值的 SNP 数据集。
• 系统发育：Rphylopars 使用不同的进化模型实现了系统发育缺失数据的插补。可以使用 TreeSim 模拟不完整的系统发育。
• 基因组学：DrImpute、SAVER 和 iCellR 中实现了对单细胞 RNA 测序数据中缺失事件（即 mRNA 分子欠采样）的插补，分别基于细胞聚类、马尔可夫亲和图、经验贝叶斯方法和 k 近邻。前三个包在 scRecover 和 ADImpute 中使用和组合，最后一个包还可以处理其他类型的单细胞数据，例如 scATAC-Seq 或 CITE-Seq。
  RNAseqNet 使用热平台插补来改进 RNA 测序网络推断，并使用辅助数据集。
• 化学计量学：imp4p、wrProteo、mi4p、imputeLCMD 和 aLFQ 使用插补来量化来自 LC-MS/MS 数据的蛋白质。前三个使用多重插补，imp4p、wrProteo 和 imputeLCMD 可以在 MNAR 机制下工作。其他在 bioconductor 上可用的用于 MS 蛋白质组学数据插补的包包括 msImpute（MAR 和 MNAR 机制）和 ProteoMM。 proteDA 对同类型数据执行差异分析，但实施概率丢失模型来处理缺失值。
  对定量代谢组学数据的插补在 lilikoi 中使用 k-NN 方法实现，在 MAI 中使用两步法实现，第一步旨在识别缺失机制。
  对 NIR 光谱中低于检测限的数据的插补在 NIRStat 中提供，用于 NIR 时间序列的标准分析。
• 流行病学：bayesCT 在贝叶斯框架中实现了各种用于模拟和分析临床试验的方法，该框架允许处理和插补缺失数据。 sanon 实现了用于分析具有分层的随机对照试验的方法，该方法可以处理 MCAR 数据。 didimputation 使用插补方法在差异中差异设计中实现治疗效果估计和预趋势检验。 diyar 在处理跨链接阶段的缺失数据的同时，实现了记录链接和流行病学病例定义。
  更具体地说，InformativeCensoring 实现了信息性删失的多重插补。 pseval 在存在缺失反事实替代响应的情况下，评估单个临床试验中的主要替代指标。 sievePH 使用 IPW 方法实现了连续的、可能是多变量的、特定于标记的危险比，其中多变量标记中存在缺失值。 icenReg 对区间数据的删失响应执行插补。
• 健康: missingHE 实现用于处理缺失结果数据的健康经济评估模型。 accelmissing 提供使用零膨胀泊松对数正态模型对加速度计数据中缺失计数值进行多重插补。 CGManalyzer 提供用于分析连续血糖监测的工具，可以处理缺失数据。 qpNCA 主要使用插值方法实现非室室药代动力学纵向数据的插补。
• 形态测量: LOST 可用于随机模拟缺失的形态测量数据，包括分类学偏差和解剖学偏差。
• 环境: AeRobiology 对从气象生物学公共数据库导入的气象生物学数据集中的缺失数据进行插补。 climatol 实现用于填充气候系列缺失数据的函数。 QUALYPSO 可以处理缺失数据，并为不完整的气候预测集合提供气候变化响应的无偏估计。
• 社会科学: coefficientalpha 计算 Alpha 系数，社会、行为和教育科学，在存在缺失数据的情况下。
• 因果推断: targeted 中实现了各种使用增强 IPW 估计器的处理缺失数据的因果推断方法。 gsynth 提供了具有交互式固定效应模型的因果推断，缺失值通过矩阵完成处理，在 dosearch 中，通过将 do-calculus 扩展到缺失数据来处理。 R6causal 实现用于结构因果模型的 R6 类，其中可以指定缺失数据机制。 MatchThem 使用多种匹配方法匹配多重插补数据集，并为用户提供在每个插补数据集中估计因果效应的工具。 grf 在修改后的无混杂假设下提供具有不完整混杂因素和协变量的处理效应估计，而 RCAL 实现了用于处理缺失值和高维度的因果推断的正则化校准估计。
• 金融: imputeFin 使用 AR 模型或随机游走处理金融时间序列中缺失值的插补。
• 金融: scorecardModelUtils 提出了用于插补评分数据集中的缺失数据的基本方法（均值、中位数、众数等）。creditmodel 可以处理信用建模中的缺失值处理。
• 偏好模型: prefmod 使用复合链接方法处理偏好模型中的缺失数据，该方法允许考虑 MCAR 和 MNAR 模式。
• 行政记录/调查: BIFIEsurvey 是一个非常通用的包，包含用于调查统计的工具，可以处理多重插补数据集。更具体地说，fastLink 提供了 Fellegi-Sunter 概率记录链接，允许缺失数据和包含辅助信息。 eatRep 在包含多重插补变量的复杂调查设计中实现复制方法，而 modi 提供多元异常值检测，convergEU 可以处理来自 Eurostat 数据的数据，并插补缺失值以监测欧盟国家之间的趋同。
• 文献计量学: robustrao 计算 Rao-Stirling 多样性指数（一个成熟的文献计量指标，用于衡量科学出版物的跨学科性），数据包含未分类的参考文献。 metagear 在系统评价和荟萃分析的文献数据中提供热卡插补。
• 农业: geneticae 为多环境农艺试验实施插补技术。

CRAN 包

相关链接

• Amelia II：一个用于缺失数据的程序
• R-miss-tastic：一个关于缺失数据的资源网站

其他资源

• CRAN 任务视图：OfficialStatistics
• CRAN 任务视图：时空
• CRAN 任务视图：生存分析
• CRAN 任务视图：时间序列
• Bioconductor 软件包：ADImpute
• Bioconductor 软件包：impute
• Bioconductor 软件包：MAI
• Bioconductor 软件包：mixOmics
• Bioconductor 软件包：msImpute
• Bioconductor 软件包：pcaMethods
• Bioconductor 软件包：proteDA
• Bioconductor 软件包：ProteoMM
• Bioconductor 软件包：scRecover
• Bioconductor 软件包：snpStats