R语言使用多种缺失值插补方法（删除、平均值、众数），对airquality数据集缺失值进行简单处理；

在R语言中，处理缺失值是一种常见的数据预处理步骤，特别是在像`airquality`这样的空气质量数据集中。这个数据集通常用于展示空气质量指数和其他相关变量的数据。以下是使用几种常见方法对缺失值进行处理的基本步骤：

1. **删除法**（`na.omit()`）：这是最直接的方式，如果某个变量有缺失值，你可以选择直接删除含有该缺失值的行或列。例如：

   airquality_clean <- na.omit(airquality)

2. **平均值填充**（`mean()` 或 `impute()` 函数，如`Hmisc`包中的` Amelia`函数）：可以计算每列的均值或中位数替换缺失值，如：

   airquality_mean <- airquality[complete.cases(airquality),] # 只保留非缺失值
   airquality$Ozone[is.na(airquality$Ozone)] <- mean(airquality$Ozone, na.rm = TRUE)

3. **众数填充**：对于分类变量或计数数据，可以用每个类别（或计数值）的众数来填补缺失值，可以使用`replace()`函数或`tidyverse`包的`fct_recode()`：

   airquality_mode <- airquality
   airquality$Month[is.na(airquality$Month)] <- as.factor(frequency(airquality$Month))[which.max(frequency(airquality$Month))]

在上述操作之后，别忘了检查处理后的数据，确认缺失值是否已适当地填充，以及这是否影响了数据的整体分布。