Sunday, January 9, 2022

Basics of R- Session 12.2- Market Basket Analysis

 library(arules)

library(arulesViz)


# file mbaper

library(arules)

library(arulesViz)

data1<-read.csv("file:///D:/1 Teaching Material/1 inurture Lectures/1 multivariate data analysis/1 Multivariate Data Analysis PPts Self/MBA/MBA- Main/data1.csv")

data3<-as(split(data1[,"product"],data1[,"tid"]), "transactions")
inspect(data3)

itemFrequencyPlot(data3,topN=20,type="absolute")

rules1 <- apriori(data3) # command to find all the apriori rules possible

rules2 <- apriori(data3, parameter = list(supp = 0.001, conf = 0.001)) # command to find all the apriori rules with support =0.001 and conf =0.8, it takes a long time

inspect(rules2) 

sort(rules2, by ="confidence")
inspect(sort(rules2, by ="confidence"))

#  Plot the Rules

library(arulesViz)

plot(rules2)
plot(rules1, method = "graph")
plot(rules1, method = "grouped")
plotly_arules(rules1)


#--------------------------------------------------
library(arulesViz)
plot(rules2,method="graph",interactive=FALSE,shading=NA)

Tuesday, September 15, 2020

 library(neuralnet)

data1<-read.csv("C:/Users/LENOVO/Desktop/mbaper.csv")

data1$Specialization<-as.factor(data1$Specialization)


nn <- neuralnet(Specialization~Percentage_in_10_Class+

                Percentage_in_12_Class+

                  Percentage_in_Under_Graduate+

                  percentage_MBA,data=data1,

                hidden=c(3,3,3), 

                linear.output=FALSE, 

                threshold=0.01)

#hidden---c(m,n, o,...),  m, n, o= number of neurons in 1,2,3...layer

nn$result.matrix

plot(nn)


#-----------------


library(caret)

library(nnet)


data1$Specialization<-as.factor(data1$Specialization)


nn1<-train(Specialization~Percentage_in_10_Class+

             Percentage_in_12_Class+

             Percentage_in_Under_Graduate+

             percentage_MBA,data=data1, method= "nnet", 

           Size=4, maxit =50)

#size is the number of neurons in hidden layer


nn1


predict1<-predict(nn1,data1)


confusionMatrix(data1$Specialization,predict1)


#----------


nn1<-train(  percentage_MBA~Percentage_in_10_Class+

             Percentage_in_12_Class+

             Percentage_in_Under_Graduate,

           data=data1, method= "nnet")

nn1


predict1<-predict(nn1,data1)

RMSE(predict1,data1$percentage_MBA)




Tuesday, September 8, 2020

time seriessb

library(timeSeries)

library(forecast)

library(zoo)

library(foreign)

library(TTR)

library(urca)

ani<-read.csv("D:/1 Teaching Material/R/R Self/TSA Vinod sharma1.csv")


#check the structure of the file

# total funding time series

#str(ani)

#fix(ani)

#convert the file into time series

anits<-ts(ani, start = c(1980, 1), end=c(2008,1), frequency = 1)

#ploting the time series

plot(ani$Year,ani$Total) # better plot

plot.ts(anits[,])

plot.ts(ani[,-1])

#fitting  a linear equation

reg=lm(ani$Total~ani$Year)

#summary of the equation

summary(reg)

#plot the regerssion equation, where year is independent variable and FDI is depependent varaible

#-------------------dont use_______________________#

#cyclic fluctuation

#To plot the cyclic fluctuation, use box plot with cycles

# boxplot(ani$Total~cycle(ani$Total))

# seasonal fluctuation

#moving average

ma2<-ma(ani[,-1],2,centre = TRUE)

ma2

plot(ma2)

ma3<-ma(ani[,-1],3, centre = TRUE)

plot(ma3)

ma4<-ma(ani[,-1],4, centre = TRUE)

plot(ma4)

ma5<-ma(ani[,-1],5, centre = TRUE)

plot(ma5)

#simple moving average, with a smoothing the time series, different method in R

sma2<-SMA(ani$Total,2)

plot.ts(sma2)

sma3<-SMA(ani$Total,3)

plot.ts(sma3)

sma4<-SMA(ani$Total,4)

plot.ts(sma4)

sma5<-SMA(ani$Total,5)

plot.ts(sma5)

#exponential smoothing

es<-ses(ani$Total, initial=c("simple"), alpha=.2)

summary(es)

plot(es)

# here we can change the values of alpha from 0-1

#exponential smoothing is also done by holwinter method, this is also used for exponential forcasting

es_holt<-HoltWinters(ani[,-1], beta = FALSE, gamma = FALSE)

summary(es_holt)

plot(es_holt$fitted)

plot(es_holt$x)

#forecast the values using exponential smoothing

es_holt_fore<-forecast.HoltWinters(es_holt, h=10)

es_holt_fore

#gives the value of alfa, less is the value of alfa, means the prediction depends on the recent values, higher the value of alfa, prediction depends on the further values

plot(es_holt_fore)

#decompostion of a time series

ani_decompose<-decompose(anits)

plot(ani_decompose)

#since the time series does not have more then two periods has no decomposition is done

#smoothing the time series data by moving average 

#no cyclic fluctuation, no seasonal variation 

#stationarity test, dickey fuller test

#-----------------------------------------------------------------------#

df=ur.df(ani$Total,type="none",lags=0)

#null hypothesis, b-1= 0, that is the series is not stationary

summary(df)

#----------------------------------------------#

#if series is stationaly, we can apply ARIMA Model, if not then it has to be converted into stationary by taking lag.

#differencing the series to make it stationary

ani_diff1<- diff(ani[,-1], differences=1)

plot(ani_diff1)

ani_diff2<- diff(ani[,-1], differences=2)

plot(ani_diff2)

ani_diff3<- diff(ani[,-1], differences=3)

plot(ani_diff3)

#to apply ARMA, AR and MA has to be found which is done by ACF and PCAF

#ploting two graphs in a matrix form

#par(mfrow=c(2,1))

#ploting the ACF and pacf

ani_acf<-acf(ani[,-1], lag.max = 20)

ani_pacf<-pacf(ani[,-1],lag.max = 20)

#fitting of arima automatically usingfuntion auto arima

auto_arima<-auto.arima(ani$Total)

auto_arima

summary(auto_arima)

tsdiag(auto_arima)

ani_for<-forecast.Arima(auto_arima, h=10)

ani_for

plot.forecast(ani_for)

plot.ts(ani_for$residuals)


Saturday, August 8, 2020

Basics of R- Decison Tree using rpart

 library(rpart)

library(rpart.plot)


data1<-read.csv("file:///C:/Users/LENOVO/Desktop/Missing/decison  tree mba.csv", stringsAsFactors = TRUE)


dtm1<-rpart(Specialization~Gender+Previous_Degree,data=data1,

            minsplit=100, minbucket=10, maxdepth=4, method = "class")

dtm1

rpart.plot(dtm1, type = 0, cex = 0.5)

#-------------


dtm1<-rpart(Specialization~Gender+Previous_Degree+Percentage_in_10_Class+

              Percentage_in_12_Class+Percentage_in_Under_Graduate,

            data=data1,

            minsplit=100, minbucket=10, maxdepth=4)

dtm1

rpart.plot(dtm1, type = 0, cex = 0.5)


#-------------------------------

dtm1<-rpart(Specialization~Percentage_in_10_Class+

              Percentage_in_12_Class+Percentage_in_Under_Graduate,

            data=data1,

            minsplit=100, minbucket=10, maxdepth=4, parms = list(split = 'gini'))

dtm1

rpart.plot(dtm1, type = 0, cex = 0.5)


#CP= complexity parameter, α be some number between 0 and ∞ which measures the ’cost’ of adding another

# variable to the model


# pruning

dtm1prone<-prune(dtm1, cp=0.01)

rpart.plot(dtm1prone, type = 0, cex = 0.5)

library()

printcp(dtm1)


str(data1)

dtm1<-rpart(Age_in_years~Percentage_in_10_Class+

              Percentage_in_12_Class+Percentage_in_Under_Graduate,

            data=data1, method = "anova" )

rpart.plot(dtm1, type = 0, cex = 0.5)


predict1<-predict(dtm1, type = "class")

confusionMatrix(predict1, data1$Specialization)


Friday, July 3, 2020

Basics of R Session 22- Logistic Regression 1.1 (Caret Package)

library(caret)
library(ISLR)
data1<-read.csv("file:///C:/Users/LENOVO/Desktop/Missing/Chapter 10 Bollywood Box Office Collection Data.csv")

# data partition
data1$Success.Faliure<-as.factor(data1$Success.Faliure)
set.seed(100)
split1<-createDataPartition(data1$Success.Faliure,p=0.7, list = FALSE)

data1train <- data1[split1, ]
data1test <- data1[-split1, ]

fitControl <- trainControl(
  method = "cv",
  number = 10,
  savePredictions = TRUE
)

lreg3<-train(Success.Faliure~
               Youtube_Dislikes+Youtube_Likes+Youtube_Views,
             method= "glm",
             family= "binomial",
             trControl=fitControl,
             data = data1)

summary(lreg3)

# predicted values and residual

lreg3$finalModel$coefficients
lreg3$finalModel$fitted.values
lreg3$finalModel$residuals
lreg3$results

coef(lreg1$finalModel)
confint(lreg1$finalModel)

# model fit indices
library(blorr)
library(Rcpp)
library(tidymodels)

blr_model_fit_stats(lreg1$finalModel)
blr_test_hosmer_lemeshow(lreg1$finalModel)
blr_bivariate_analysis(lreg1$finalModel)

# walds test, for each IV variables
library(survey)
regTermTest(lreg1$finalModel, "ï..Age")


# confusionmatrix

blr_confusion_matrix(lreg3$finalModel, cutoff = 0.5)

predict1<-predict(lreg3,data1)
confusionMatrix(predict1, data1$Success.Faliure)

# for roc 
gainstable<-blr_gains_table(lreg3$finalModel)
blr_roc_curve(gainstable)

library(ROCR)
predict1<-predict(lreg3,data1, type = "prob")

predict_roc<-prediction(predict1[2], data1$Success.Faliure)
predict_roc2<-performance(predict_roc, measure = "tpr", "fpr")
plot(predict_roc2)

predict_roc2<-performance(predict_roc, measure = "auc")
predict_roc2@y.values[[1]]


# forward method, backward method, both
library(blorr)

regfor<-blr_step_aic_forward(lreg1$finalModel)
regfor
regfor1<-blr_step_aic_forward(lreg1$finalModel, details = TRUE)

regback<-blr_step_aic_backward(lreg1$finalModel)
regback

regboth<-blr_step_aic_both(reg1$finalModel)
regboth


#_will take lot of time not advisable  #
library(caret)
reg1<-train(Status~., 
            method ="glmStepAIC", 
            family= "binomial", 
            direction ="forward"
            data = datatrain)
reg1$finalmodel

#-----------------------------------------------------------------------------------------#


Saturday, June 20, 2020

Basics of R Session 5.5- Outliers

options(scipen=999) # to turn off scientific notation
data1<-read.csv("file:///C:/Users/LENOVO/Desktop/Missing/outliers sumeer.csv")

#-----------------------#
library(outliers)

library(car)
boxplot(data1$AGE)

#convert the data into standard form
data1$HB_scale<-scale(data1$HB, center = TRUE, scale = TRUE)

summary(data1$HB_scale)
plot(data1$HB_scale)

data1$HB_scale
which(data1$HB_scale>=1.96)
which(data1$HB_scale<=-1.96)

#chi square test
chisq.out.test(data1$HB)
outlier(data1$HB)

#inter quartile range

IQR(data1$HB)
quantile(data1$HB)

score1<-scores(data1$HB, type = "chisq", prob = 0.95)
score1<-scores(data1$HB, type = "z", prob = 0.95)
score1<-scores(data1$HB, type = "t", prob = 0.95)

# mahalobanis distance
library(psych)
# reducing the data using only those variables whcih are required
data2<-data1[,c(2:3)]
outlier(data2, plot = TRUE)

# regression or residual to find outliers

reg1<-lm(AGE~HB+TLC+PLATELET, data = data1)
plot(reg1)

Tuesday, June 16, 2020

Basics of R Session 5.4 - Missing values

data1<-read.csv("file:///C:/Users/LENOVO/Desktop/Missing/missing1.1.csv")

library(descr)
descr(data1)
descr(data1$v1)

is.na(data1)  # used to identify the place where there is missing in the data as true or false

sum(is.na(data1))  #total number of missing values
sum(is.na(data1))/(nrow(data1)*ncol(data1)) # % of missing values

sum(is.na(data1$v1))/length(data1$v1)  # % of missing in a variable

library(Amelia)
AmeliaView()  # only to see the pattern of the missing data
# note if there is perfect multicollinearity between any  two variables, it will not work

data1_impute<-amelia(data1, m=3)  # default

data1_impute$imputations[[1]]   # Imputation data set 1
data1_impute$imputations[[1]]$v1   # Imputation data set 1 variable 2

# save as data1_impute_1
data1_impute_1<-data1_impute$imputations[[1]]   # Imputation data set 1
str(data1_impute_1)

# idvars
# a vector of column numbers or column names that indicates identification variables.
# noms
# a vector of numbers or names indicating columns in the data that are nominal variables.
# ords
# a vector of numbers or names indicating columns in the data that should be treated as ordinal variables.

data2_impute<-amelia(data1, m=3, idvars = 1, noms = c(11,12,13), ords = 14 )

data2_impute$imputations[[1]]

# uses bootstrap EM algorithm (Expectation Maximization)

#-------------------------#



library(Hmisc)

impute(data1$v1,mean)
impute(data1$v1,median)
impute(data1$v1,min)
impute(data1$v1,max)
impute(data1$v1,"random")

impute_data1_2<-aregImpute(v1~v2, data1,n.impute = 3,type = "regression")
impute_data1_2$imputed$v2

# there are many more methods- which you can explore yourself

Sunday, February 23, 2020

Session 5.3 Missing Values

missing1.1<-read.csv("file:///D:/1 Teaching Material/R/importfile/missing1.1.csv")

str(missing1.1)
## 'data.frame':    70 obs. of  15 variables:
##  $ id : int  204 207 248 232 224 202 255 240 221 216 ...
##  $ v1 : num  NA NA NA NA NA NA NA NA NA NA ...
##  $ v2 : num  1.5 1.5 NA NA NA 0.4 1 1.5 1.6 1.6 ...
##  $ v3 : num  NA NA 6.4 8.2 8.6 NA NA 9.9 NA 6.4 ...
##  $ v4 : num  4.8 4.8 5.3 5 5.7 2.5 3.4 2.7 4.8 5 ...
##  $ v5 : num  1.9 1.9 3 3.6 2.7 1.2 1.7 1.3 2 NA ...
##  $ v6 : num  2.5 2.5 2.5 2.5 3.7 1.7 1.1 1.2 2.8 2.1 ...
##  $ v7 : num  7.2 7.2 7.1 9 6.7 5.2 6.2 1.7 NA 8.4 ...
##  $ v8 : int  36 36 46 53 NA 35 35 50 32 25 ...
##  $ v9 : num  NA NA 4.5 5.2 5 3.3 4.1 5 4.3 3.4 ...
##  $ v10: int  1 1 1 1 0 0 1 1 0 1 ...
##  $ v11: int  0 0 0 0 1 1 0 0 1 0 ...
##  $ v12: int  1 1 1 1 0 0 1 1 0 1 ...
##  $ v13: int  0 0 0 1 1 0 0 1 0 1 ...
##  $ v14: int  1 1 2 2 1 1 1 2 1 1 ...
fix(missing1.1)
summary(missing1.1)
##        id              v1              v2              v3     
##  Min.   :201.0   Min.   :2.800   Min.   :0.400   Min.   :5.000 
##  1st Qu.:218.2   1st Qu.:3.200   1st Qu.:1.400   1st Qu.:6.700 
##  Median :235.5   Median :3.800   Median :1.900   Median :8.200 
##  Mean   :235.5   Mean   :4.008   Mean   :1.944   Mean   :8.062 
##  3rd Qu.:252.8   3rd Qu.:4.700   3rd Qu.:2.500   3rd Qu.:9.200 
##  Max.   :270.0   Max.   :6.500   Max.   :3.800   Max.   :9.900 
##                  NA's   :21      NA's   :13      NA's   :17   
##        v4              v5              v6              v7     
##  Min.   :2.500   Min.   :1.100   Min.   :1.100   Min.   :1.700 
##  1st Qu.:4.500   1st Qu.:2.200   1st Qu.:2.275   1st Qu.:5.600 
##  Median :5.000   Median :3.000   Median :2.600   Median :6.800 
##  Mean   :5.168   Mean   :2.856   Mean   :2.611   Mean   :6.823 
##  3rd Qu.:5.900   3rd Qu.:3.400   3rd Qu.:3.000   3rd Qu.:8.200 
##  Max.   :7.800   Max.   :4.600   Max.   :4.000   Max.   :9.900 
##  NA's   :7       NA's   :9       NA's   :6       NA's   :9     
##        v8              v9             v10              v11       
##  Min.   :25.00   Min.   :3.300   Min.   :0.0000   Min.   :0.0000 
##  1st Qu.:39.00   1st Qu.:4.150   1st Qu.:0.0000   1st Qu.:0.0000 
##  Median :47.00   Median :4.900   Median :0.0000   Median :1.0000 
##  Mean   :46.03   Mean   :4.759   Mean   :0.3676   Mean   :0.6471 
##  3rd Qu.:54.00   3rd Qu.:5.250   3rd Qu.:1.0000   3rd Qu.:1.0000 
##  Max.   :65.00   Max.   :6.200   Max.   :1.0000   Max.   :1.0000 
##  NA's   :9       NA's   :7       NA's   :2        NA's   :2     
##       v12              v13              v14     
##  Min.   :0.0000   Min.   :0.0000   Min.   :1.000 
##  1st Qu.:0.0000   1st Qu.:0.0000   1st Qu.:1.000 
##  Median :0.0000   Median :0.0000   Median :2.000 
##  Mean   :0.4559   Mean   :0.4783   Mean   :2.029 
##  3rd Qu.:1.0000   3rd Qu.:1.0000   3rd Qu.:3.000 
##  Max.   :1.0000   Max.   :1.0000   Max.   :3.000 
##  NA's   :2        NA's   :1        NA's   :2
#converts into logical values with false for missing and true for non missing

missing_a<-is.na(missing1.1)

missing_a
##       id    v1    v2    v3    v4    v5    v6    v7    v8    v9   v10   v11
## 1  FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE
## 2  FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE
## 3  FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 4  FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 5  FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE
## 6  FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 7  FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 8  FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 9  FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE
## 10 FALSE  TRUE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
## 11 FALSE  TRUE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 12 FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 13 FALSE  TRUE FALSE  TRUE FALSE  TRUE FALSE  TRUE  TRUE FALSE FALSE FALSE
## 14 FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 15 FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 16 FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 17 FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 18 FALSE  TRUE FALSE FALSE  TRUE FALSE  TRUE  TRUE  TRUE FALSE FALSE  TRUE
## 19 FALSE  TRUE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
## 20 FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 21 FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 22 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 23 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 24 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 25 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 26 FALSE FALSE  TRUE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE
## 27 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 28 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 29 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 30 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE
## 31 FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 32 FALSE FALSE FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
## 33 FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE
## 34 FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE
## 35 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 36 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE
## 37 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 38 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 39 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 40 FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 41 FALSE FALSE  TRUE  TRUE FALSE FALSE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE
## 42 FALSE FALSE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE FALSE
## 43 FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE
## 44 FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 45 FALSE FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 46 FALSE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE  TRUE FALSE FALSE
## 47 FALSE FALSE FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
## 48 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 49 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 50 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 51 FALSE FALSE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE
## 52 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 53 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 54 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 55 FALSE FALSE  TRUE  TRUE FALSE  TRUE  TRUE FALSE FALSE  TRUE FALSE FALSE
## 56 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 57 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 58 FALSE FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 59 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 60 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 61 FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 62 FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 63 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 64 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 65 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 66 FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 67 FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
## 68 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 69 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 70 FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
##      v12   v13   v14
## 1  FALSE FALSE FALSE
## 2  FALSE FALSE FALSE
## 3  FALSE FALSE FALSE
## 4  FALSE FALSE FALSE
## 5  FALSE FALSE FALSE
## 6  FALSE FALSE FALSE
## 7  FALSE FALSE FALSE
## 8  FALSE FALSE FALSE
## 9  FALSE FALSE FALSE
## 10 FALSE FALSE FALSE
## 11 FALSE FALSE FALSE
## 12 FALSE FALSE FALSE
## 13  TRUE FALSE  TRUE
## 14 FALSE FALSE FALSE
## 15 FALSE FALSE FALSE
## 16 FALSE FALSE FALSE
## 17 FALSE FALSE FALSE
## 18 FALSE  TRUE FALSE
## 19 FALSE FALSE FALSE
## 20 FALSE FALSE FALSE
## 21 FALSE FALSE FALSE
## 22 FALSE FALSE FALSE
## 23 FALSE FALSE FALSE
## 24 FALSE FALSE FALSE
## 25 FALSE FALSE FALSE
## 26 FALSE FALSE FALSE
## 27 FALSE FALSE FALSE
## 28 FALSE FALSE FALSE
## 29 FALSE FALSE FALSE
## 30 FALSE FALSE FALSE
## 31 FALSE FALSE FALSE
## 32 FALSE FALSE FALSE
## 33 FALSE FALSE FALSE
## 34 FALSE FALSE FALSE
## 35 FALSE FALSE FALSE
## 36 FALSE FALSE FALSE
## 37 FALSE FALSE FALSE
## 38 FALSE FALSE FALSE
## 39 FALSE FALSE FALSE
## 40 FALSE FALSE FALSE
## 41 FALSE FALSE FALSE
## 42 FALSE FALSE FALSE
## 43 FALSE FALSE FALSE
## 44 FALSE FALSE FALSE
## 45 FALSE FALSE FALSE
## 46 FALSE FALSE FALSE
## 47 FALSE FALSE FALSE
## 48 FALSE FALSE FALSE
## 49 FALSE FALSE FALSE
## 50 FALSE FALSE FALSE
## 51 FALSE FALSE FALSE
## 52 FALSE FALSE FALSE
## 53 FALSE FALSE FALSE
## 54 FALSE FALSE FALSE
## 55  TRUE FALSE  TRUE
## 56 FALSE FALSE FALSE
## 57 FALSE FALSE FALSE
## 58 FALSE FALSE FALSE
## 59 FALSE FALSE FALSE
## 60 FALSE FALSE FALSE
## 61 FALSE FALSE FALSE
## 62 FALSE FALSE FALSE
## 63 FALSE FALSE FALSE
## 64 FALSE FALSE FALSE
## 65 FALSE FALSE FALSE
## 66 FALSE FALSE FALSE
## 67 FALSE FALSE FALSE
## 68 FALSE FALSE FALSE
## 69 FALSE FALSE FALSE
## 70 FALSE FALSE FALSE
# for particular variable say 1
missing_a[,1]
##     1     2     3     4     5     6     7     8     9    10    11    12    13
## FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
##    14    15    16    17    18    19    20    21    22    23    24    25    26
## FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
##    27    28    29    30    31    32    33    34    35    36    37    38    39
## FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
##    40    41    42    43    44    45    46    47    48    49    50    51    52
## FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
##    53    54    55    56    57    58    59    60    61    62    63    64    65
## FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
##    66    67    68    69    70
## FALSE FALSE FALSE FALSE FALSE
# for particular variable say 2
missing_a[,2]
##     1     2     3     4     5     6     7     8     9    10    11    12    13
##  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
##    14    15    16    17    18    19    20    21    22    23    24    25    26
##  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE
##    27    28    29    30    31    32    33    34    35    36    37    38    39
## FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
##    40    41    42    43    44    45    46    47    48    49    50    51    52
## FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
##    53    54    55    56    57    58    59    60    61    62    63    64    65
## FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
##    66    67    68    69    70
## FALSE FALSE FALSE FALSE FALSE
#convert the local values into actual values which are missing

missing1.1$v1[missing_a[,1]]
## numeric(0)
missing1.1$v2[missing_a[,2]]
##  [1] 1.5 1.5  NA  NA  NA 0.4 1.0 1.5 1.6 1.6 1.8 1.9 2.0 2.0 2.0 2.1 2.5 2.7 2.8
## [20] 3.3 3.7
str(missing1.1$v2[missing_a[,2]])
##  num [1:21] 1.5 1.5 NA NA NA 0.4 1 1.5 1.6 1.6 ...
summary(missing1.1$v2[missing_a[,2]])
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's
##   0.400   1.525   1.950   1.994   2.400   3.700       3
#reverse th logical values
!missing_a[,2]
##     1     2     3     4     5     6     7     8     9    10    11    12    13
## FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
##    14    15    16    17    18    19    20    21    22    23    24    25    26
## FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE
##    27    28    29    30    31    32    33    34    35    36    37    38    39
##  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
##    40    41    42    43    44    45    46    47    48    49    50    51    52
##  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
##    53    54    55    56    57    58    59    60    61    62    63    64    65
##  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
##    66    67    68    69    70
##  TRUE  TRUE  TRUE  TRUE  TRUE
complete.cases(missing1.1)
##  [1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [13] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE  TRUE  TRUE
## [25]  TRUE FALSE  TRUE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE
## [37]  TRUE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE
## [49]  TRUE  TRUE FALSE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE FALSE  TRUE  TRUE
## [61] FALSE FALSE  TRUE  TRUE  TRUE FALSE FALSE  TRUE  TRUE FALSE
complete.cases(missing1.1$v1)
##  [1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [13] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE  TRUE  TRUE
## [25]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## [37]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## [49]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## [61]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
complete.cases(missing1.1$v2)
##  [1]  TRUE  TRUE FALSE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## [13]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## [25]  TRUE FALSE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE FALSE  TRUE  TRUE
## [37]  TRUE  TRUE  TRUE FALSE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## [49]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE
## [61] FALSE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE FALSE
#store the comlete cases into cv2
cv2<-complete.cases(missing1.1$v2)
cv2
##  [1]  TRUE  TRUE FALSE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## [13]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## [25]  TRUE FALSE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE FALSE  TRUE  TRUE
## [37]  TRUE  TRUE  TRUE FALSE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## [49]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE
## [61] FALSE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE FALSE
missing1.1$v2[cv2]
##  [1] 1.5 1.5 0.4 1.0 1.5 1.6 1.6 1.8 1.9 2.0 2.0 2.0 2.1 2.5 2.7 2.8 3.3 3.7 1.4
## [20] 2.4 3.8 2.6 2.0 2.8 3.2 3.8 1.9 2.2 0.9 2.6 2.0 3.7 2.8 0.7 1.4 0.8 0.8 2.2
## [39] 0.5 0.9 1.1 3.7 2.4 2.5 1.8 1.6 2.1 1.3 1.3 1.7 1.4 1.9 1.3 1.3 1.4 2.2 0.5
print(missing_a)
##       id    v1    v2    v3    v4    v5    v6    v7    v8    v9   v10   v11
## 1  FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE
## 2  FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE
## 3  FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 4  FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 5  FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE
## 6  FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 7  FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 8  FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 9  FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE
## 10 FALSE  TRUE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
## 11 FALSE  TRUE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 12 FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 13 FALSE  TRUE FALSE  TRUE FALSE  TRUE FALSE  TRUE  TRUE FALSE FALSE FALSE
## 14 FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 15 FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 16 FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 17 FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 18 FALSE  TRUE FALSE FALSE  TRUE FALSE  TRUE  TRUE  TRUE FALSE FALSE  TRUE
## 19 FALSE  TRUE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
## 20 FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 21 FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 22 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 23 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 24 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 25 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 26 FALSE FALSE  TRUE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE
## 27 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 28 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 29 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 30 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE
## 31 FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 32 FALSE FALSE FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
## 33 FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE
## 34 FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE
## 35 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 36 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE
## 37 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 38 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 39 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 40 FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 41 FALSE FALSE  TRUE  TRUE FALSE FALSE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE
## 42 FALSE FALSE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE FALSE
## 43 FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE
## 44 FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 45 FALSE FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 46 FALSE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE  TRUE FALSE FALSE
## 47 FALSE FALSE FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
## 48 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 49 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 50 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 51 FALSE FALSE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE
## 52 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 53 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 54 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 55 FALSE FALSE  TRUE  TRUE FALSE  TRUE  TRUE FALSE FALSE  TRUE FALSE FALSE
## 56 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 57 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 58 FALSE FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 59 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 60 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 61 FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 62 FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 63 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 64 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 65 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 66 FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 67 FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
## 68 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 69 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 70 FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
##      v12   v13   v14
## 1  FALSE FALSE FALSE
## 2  FALSE FALSE FALSE
## 3  FALSE FALSE FALSE
## 4  FALSE FALSE FALSE
## 5  FALSE FALSE FALSE
## 6  FALSE FALSE FALSE
## 7  FALSE FALSE FALSE
## 8  FALSE FALSE FALSE
## 9  FALSE FALSE FALSE
## 10 FALSE FALSE FALSE
## 11 FALSE FALSE FALSE
## 12 FALSE FALSE FALSE
## 13  TRUE FALSE  TRUE
## 14 FALSE FALSE FALSE
## 15 FALSE FALSE FALSE
## 16 FALSE FALSE FALSE
## 17 FALSE FALSE FALSE
## 18 FALSE  TRUE FALSE
## 19 FALSE FALSE FALSE
## 20 FALSE FALSE FALSE
## 21 FALSE FALSE FALSE
## 22 FALSE FALSE FALSE
## 23 FALSE FALSE FALSE
## 24 FALSE FALSE FALSE
## 25 FALSE FALSE FALSE
## 26 FALSE FALSE FALSE
## 27 FALSE FALSE FALSE
## 28 FALSE FALSE FALSE
## 29 FALSE FALSE FALSE
## 30 FALSE FALSE FALSE
## 31 FALSE FALSE FALSE
## 32 FALSE FALSE FALSE
## 33 FALSE FALSE FALSE
## 34 FALSE FALSE FALSE
## 35 FALSE FALSE FALSE
## 36 FALSE FALSE FALSE
## 37 FALSE FALSE FALSE
## 38 FALSE FALSE FALSE
## 39 FALSE FALSE FALSE
## 40 FALSE FALSE FALSE
## 41 FALSE FALSE FALSE
## 42 FALSE FALSE FALSE
## 43 FALSE FALSE FALSE
## 44 FALSE FALSE FALSE
## 45 FALSE FALSE FALSE
## 46 FALSE FALSE FALSE
## 47 FALSE FALSE FALSE
## 48 FALSE FALSE FALSE
## 49 FALSE FALSE FALSE
## 50 FALSE FALSE FALSE
## 51 FALSE FALSE FALSE
## 52 FALSE FALSE FALSE
## 53 FALSE FALSE FALSE
## 54 FALSE FALSE FALSE
## 55  TRUE FALSE  TRUE
## 56 FALSE FALSE FALSE
## 57 FALSE FALSE FALSE
## 58 FALSE FALSE FALSE
## 59 FALSE FALSE FALSE
## 60 FALSE FALSE FALSE
## 61 FALSE FALSE FALSE
## 62 FALSE FALSE FALSE
## 63 FALSE FALSE FALSE
## 64 FALSE FALSE FALSE
## 65 FALSE FALSE FALSE
## 66 FALSE FALSE FALSE
## 67 FALSE FALSE FALSE
## 68 FALSE FALSE FALSE
## 69 FALSE FALSE FALSE
## 70 FALSE FALSE FALSE
#all those which are not missing
print(!missing_a)
##      id    v1    v2    v3    v4    v5    v6    v7    v8    v9   v10   v11   v12
## 1  TRUE FALSE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE
## 2  TRUE FALSE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE
## 3  TRUE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 4  TRUE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 5  TRUE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE
## 6  TRUE FALSE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 7  TRUE FALSE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 8  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 9  TRUE FALSE  TRUE FALSE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE
## 10 TRUE FALSE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 11 TRUE FALSE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 12 TRUE FALSE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 13 TRUE FALSE  TRUE FALSE  TRUE FALSE  TRUE FALSE FALSE  TRUE  TRUE  TRUE FALSE
## 14 TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 15 TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 16 TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 17 TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 18 TRUE FALSE  TRUE  TRUE FALSE  TRUE FALSE FALSE FALSE  TRUE  TRUE FALSE  TRUE
## 19 TRUE FALSE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 20 TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 21 TRUE FALSE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 22 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 23 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 24 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 25 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 26 TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE
## 27 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 28 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 29 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 30 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE
## 31 TRUE  TRUE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 32 TRUE  TRUE  TRUE FALSE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 33 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE FALSE  TRUE  TRUE  TRUE  TRUE
## 34 TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE
## 35 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 36 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE
## 37 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 38 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 39 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 40 TRUE  TRUE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 41 TRUE  TRUE FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE  TRUE FALSE  TRUE
## 42 TRUE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE  TRUE  TRUE
## 43 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE
## 44 TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 45 TRUE  TRUE  TRUE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 46 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE
## 47 TRUE  TRUE  TRUE FALSE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 48 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 49 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 50 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 51 TRUE  TRUE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE  TRUE
## 52 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 53 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 54 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 55 TRUE  TRUE FALSE FALSE  TRUE FALSE FALSE  TRUE  TRUE FALSE  TRUE  TRUE FALSE
## 56 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 57 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 58 TRUE  TRUE  TRUE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 59 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 60 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 61 TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 62 TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 63 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 64 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 65 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 66 TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 67 TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 68 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 69 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 70 TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
##      v13   v14
## 1   TRUE  TRUE
## 2   TRUE  TRUE
## 3   TRUE  TRUE
## 4   TRUE  TRUE
## 5   TRUE  TRUE
## 6   TRUE  TRUE
## 7   TRUE  TRUE
## 8   TRUE  TRUE
## 9   TRUE  TRUE
## 10  TRUE  TRUE
## 11  TRUE  TRUE
## 12  TRUE  TRUE
## 13  TRUE FALSE
## 14  TRUE  TRUE
## 15  TRUE  TRUE
## 16  TRUE  TRUE
## 17  TRUE  TRUE
## 18 FALSE  TRUE
## 19  TRUE  TRUE
## 20  TRUE  TRUE
## 21  TRUE  TRUE
## 22  TRUE  TRUE
## 23  TRUE  TRUE
## 24  TRUE  TRUE
## 25  TRUE  TRUE
## 26  TRUE  TRUE
## 27  TRUE  TRUE
## 28  TRUE  TRUE
## 29  TRUE  TRUE
## 30  TRUE  TRUE
## 31  TRUE  TRUE
## 32  TRUE  TRUE
## 33  TRUE  TRUE
## 34  TRUE  TRUE
## 35  TRUE  TRUE
## 36  TRUE  TRUE
## 37  TRUE  TRUE
## 38  TRUE  TRUE
## 39  TRUE  TRUE
## 40  TRUE  TRUE
## 41  TRUE  TRUE
## 42  TRUE  TRUE
## 43  TRUE  TRUE
## 44  TRUE  TRUE
## 45  TRUE  TRUE
## 46  TRUE  TRUE
## 47  TRUE  TRUE
## 48  TRUE  TRUE
## 49  TRUE  TRUE
## 50  TRUE  TRUE
## 51  TRUE  TRUE
## 52  TRUE  TRUE
## 53  TRUE  TRUE
## 54  TRUE  TRUE
## 55  TRUE FALSE
## 56  TRUE  TRUE
## 57  TRUE  TRUE
## 58  TRUE  TRUE
## 59  TRUE  TRUE
## 60  TRUE  TRUE
## 61  TRUE  TRUE
## 62  TRUE  TRUE
## 63  TRUE  TRUE
## 64  TRUE  TRUE
## 65  TRUE  TRUE
## 66  TRUE  TRUE
## 67  TRUE  TRUE
## 68  TRUE  TRUE
## 69  TRUE  TRUE
## 70  TRUE  TRUE
summary(missing_a)
##      id              v1              v2              v3       
##  Mode :logical   Mode :logical   Mode :logical   Mode :logical 
##  FALSE:70        FALSE:49        FALSE:57        FALSE:53     
##                  TRUE :21        TRUE :13        TRUE :17     
##      v4              v5              v6              v7       
##  Mode :logical   Mode :logical   Mode :logical   Mode :logical 
##  FALSE:63        FALSE:61        FALSE:64        FALSE:61     
##  TRUE :7         TRUE :9         TRUE :6         TRUE :9       
##      v8              v9             v10             v11       
##  Mode :logical   Mode :logical   Mode :logical   Mode :logical 
##  FALSE:61        FALSE:63        FALSE:68        FALSE:68     
##  TRUE :9         TRUE :7         TRUE :2         TRUE :2       
##     v12             v13             v14       
##  Mode :logical   Mode :logical   Mode :logical 
##  FALSE:68        FALSE:69        FALSE:68     
##  TRUE :2         TRUE :1         TRUE :2
#all those which are missing
missing1.1[!missing_a,2]
##   [1]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
##  [19]  NA  NA  NA 2.8 2.8 2.8 2.9 3.0 3.0 3.0 3.0 3.0 3.1 3.1 3.1 3.2 3.3 3.3
##  [37] 3.4 3.4 3.5 3.6 3.6 3.6 3.7 3.7 3.8 3.8 3.9 4.0 4.0 4.1 4.1 4.2 4.2 4.3
##  [55] 4.5 4.5 4.6 4.7 4.7 4.8 4.9 5.1 5.1 5.2 5.2 5.3 5.3 5.6 6.1 6.5  NA  NA
##  [73]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
##  [91]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [109]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [127]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [145]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [163]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [181]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [199]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [217]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [235]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [253]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [271]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [289]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [307]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [325]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [343]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [361]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [379]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [397]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [415]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [433]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [451]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [469]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [487]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [505]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [523]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [541]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [559]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [577]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [595]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [613]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [631]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [649]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [667]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [685]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [703]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [721]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [739]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [757]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [775]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [793]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [811]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [829]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [847]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [865]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [883]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [901]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [919]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [937]  NA  NA  NA  NA  NA  NA  NA
summary(missing1.1[missing_a])
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's
##      NA      NA      NA     NaN      NA      NA     107
#all those which are missing

missing1.1[missing_a,]
##        id v1 v2 v3 v4 v5 v6 v7 v8 v9 v10 v11 v12 v13 v14
## NA     NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.1   NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.2   NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.3   NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.4   NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.5   NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.6   NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.7   NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.8   NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.9   NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.10  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.11  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.12  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.13  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.14  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.15  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.16  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.17  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.18  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.19  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.20  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.21  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.22  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.23  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.24  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.25  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.26  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.27  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.28  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.29  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.30  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.31  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.32  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.33  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.34  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.35  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.36  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.37  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.38  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.39  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.40  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.41  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.42  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.43  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.44  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.45  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.46  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.47  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.48  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.49  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.50  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.51  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.52  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.53  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.54  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.55  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.56  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.57  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.58  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.59  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.60  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.61  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.62  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.63  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.64  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.65  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.66  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.67  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.68  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.69  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.70  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.71  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.72  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.73  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.74  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.75  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.76  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.77  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.78  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.79  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.80  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.81  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.82  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.83  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.84  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.85  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.86  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.87  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.88  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.89  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.90  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.91  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.92  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.93  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.94  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.95  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.96  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.97  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.98  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.99  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.100 NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.101 NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.102 NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.103 NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.104 NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.105 NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.106 NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
summary(missing1.1[missing_a])
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's
##      NA      NA      NA     NaN      NA      NA     107
#all those which are not missing
missing1.1[!missing_a]
##   [1] 204.0 207.0 248.0 232.0 224.0 202.0 255.0 240.0 221.0 216.0 228.0 269.0
##  [13] 245.0 260.0 253.0 259.0 238.0 214.0 218.0 256.0 250.0 223.0 234.0 252.0
##  [25] 236.0 203.0 265.0 211.0 251.0 244.0 213.0 241.0 219.0 227.0 201.0 268.0
##  [37] 226.0 254.0 209.0 257.0 261.0 263.0 231.0 246.0 267.0 235.0 222.0 215.0
##  [49] 258.0 243.0 210.0 266.0 247.0 239.0 233.0 270.0 206.0 225.0 230.0 212.0
##  [61] 237.0 205.0 242.0 264.0 208.0 249.0 229.0 262.0 217.0 220.0   2.8   2.8
##  [73]   2.8   2.9   3.0   3.0   3.0   3.0   3.0   3.1   3.1   3.1   3.2   3.3
##  [85]   3.3   3.4   3.4   3.5   3.6   3.6   3.6   3.7   3.7   3.8   3.8   3.9
##  [97]   4.0   4.0   4.1   4.1   4.2   4.2   4.3   4.5   4.5   4.6   4.7   4.7
## [109]   4.8   4.9   5.1   5.1   5.2   5.2   5.3   5.3   5.6   6.1   6.5   1.5
## [121]   1.5   0.4   1.0   1.5   1.6   1.6   1.8   1.9   2.0   2.0   2.0   2.1
## [133]   2.5   2.7   2.8   3.3   3.7   1.4   2.4   3.8   2.6   2.0   2.8   3.2
## [145]   3.8   1.9   2.2   0.9   2.6   2.0   3.7   2.8   0.7   1.4   0.8   0.8
## [157]   2.2   0.5   0.9   1.1   3.7   2.4   2.5   1.8   1.6   2.1   1.3   1.3
## [169]   1.7   1.4   1.9   1.3   1.3   1.4   2.2   0.5   6.4   8.2   8.6   9.9
## [181]   6.4   7.7   6.4   9.3   6.9   9.6   5.0   5.2   7.5   8.1   6.7   8.9
## [193]   7.7   9.1   6.6   7.8   6.0   5.5   6.7   5.7   8.6   9.7   9.7   6.4
## [205]   9.9   9.9   8.2   9.0   8.7   6.7   9.1   9.3   5.9   9.4   9.2   7.6
## [217]   8.7   7.9   9.9   7.6   7.4   9.2   9.1   9.7   8.5   9.7   8.2   9.2
## [229]   9.0   4.8   4.8   5.3   5.0   5.7   2.5   3.4   2.7   4.8   5.0   4.5
## [241]   4.7   4.5   5.9   5.4   5.5   5.0   4.5   5.2   3.8   4.9   6.9   7.0
## [253]   7.1   6.6   7.1   5.3   4.9   7.8   4.5   6.8   5.1   4.0   3.3   4.7
## [265]   5.7   3.5   5.8   6.2   6.0   2.9   4.6   4.5   5.4   5.5   4.9   6.2
## [277]   5.4   5.9   4.6   5.8   6.7   4.2   6.9   4.8   5.8   4.5   6.1   3.7
## [289]   6.1   3.1   4.8   7.0   1.9   1.9   3.0   3.6   2.7   1.2   1.7   1.3
## [301]   2.0   3.4   1.5   2.1   3.7   1.1   4.0   2.2   2.5   3.0   2.1   2.5
## [313]   3.3   2.8   3.5   2.4   3.0   3.1   3.4   3.6   2.6   3.6   2.1   2.9
## [325]   2.7   3.5   3.1   3.7   4.5   2.1   2.6   2.2   1.6   2.2   2.4   2.5
## [337]   3.2   3.3   3.1   3.1   3.4   3.0   3.0   3.3   4.6   3.3   3.6   3.3
## [349]   3.2   3.5   4.0   3.3   3.2   2.5   2.5   2.5   2.5   3.7   1.7   1.1
## [361]   1.2   2.8   2.1   1.5   3.1   3.2   2.2   2.4   2.6   3.0   2.7   2.4
## [373]   2.3   1.4   2.6   3.2   3.6   3.4   2.7   3.8   3.0   2.6   4.0   3.1
## [385]   2.9   2.9   1.8   1.5   1.7   3.4   1.7   2.5   2.5   2.3   2.6   2.5
## [397]   2.1   2.6   2.7   2.7   3.9   2.5   2.1   2.8   2.6   2.6   1.4   4.0
## [409]   2.6   2.3   2.7   3.9   1.9   3.9   1.6   2.8   3.7   7.2   7.2   7.1
## [421]   9.0   6.7   5.2   6.2   1.7   8.4   5.9   9.9   8.8   4.6   8.9   7.7
## [433]   8.4   7.6   9.1   6.6   9.2   8.2   7.7   8.2   7.9   8.0   6.0   5.9
## [445]   3.8   6.2   6.3   5.2   4.8   8.4   5.4   9.3   6.8   5.3   5.6   8.3
## [457]   5.0   7.3   7.4   8.5   7.3   4.4   8.8   6.8   4.7   6.8   6.8   5.8
## [469]   9.6   3.8   4.5   7.3   6.7   4.8   6.8   5.3   7.1   8.0  36.0  36.0
## [481]  46.0  53.0  35.0  35.0  50.0  32.0  25.0  40.0  39.0  28.0  60.0  29.0
## [493]  65.0  38.0  39.0  49.0  39.0  32.0  53.0  47.0  55.0  41.0  49.0  43.0
## [505]  43.0  54.0  41.0  47.0  49.0  47.0  49.0  44.0  41.0  45.0  42.0  39.0
## [517]  47.0  31.0  46.0  47.0  49.0  59.0  46.0  50.0  56.0  49.0  54.0  55.0
## [529]  39.0  62.0  49.0  60.0  60.0  54.0  58.0  54.0  55.0  60.0  33.0   4.5
## [541]   5.2   5.0   3.3   4.1   5.0   4.3   3.4   5.6   3.3   3.4   3.3   6.1
## [553]   3.9   6.0   3.6   3.7   3.6   4.8   4.4   3.7   5.0   4.2   5.2   4.1
## [565]   4.4   3.3   4.2   5.2   4.8   4.3   4.4   4.5   4.7   3.8   5.4   4.8
## [577]   4.9   5.0   4.9   5.1   5.0   4.0   5.1   5.3   5.2   6.0   5.6   5.1
## [589]   5.9   5.9   6.0   5.5   6.2   4.9   6.1   5.1   5.8   4.3   5.9   3.9
## [601]   5.2   5.4   1.0   1.0   1.0   1.0   0.0   0.0   1.0   1.0   0.0   1.0
## [613]   0.0   1.0   1.0   1.0   0.0   1.0   0.0   1.0   1.0   1.0   1.0   1.0
## [625]   1.0   0.0   0.0   0.0   1.0   0.0   1.0   0.0   0.0   0.0   1.0   0.0
## [637]   0.0   0.0   0.0   1.0   0.0   1.0   1.0   0.0   0.0   0.0   0.0   0.0
## [649]   0.0   0.0   0.0   0.0   0.0   0.0   1.0   0.0   0.0   0.0   0.0   0.0
## [661]   1.0   0.0   0.0   0.0   0.0   0.0   0.0   0.0   0.0   0.0   0.0   0.0
## [673]   0.0   0.0   1.0   1.0   0.0   0.0   1.0   0.0   1.0   0.0   0.0   0.0
## [685]   1.0   0.0   1.0   0.0   0.0   0.0   0.0   0.0   1.0   1.0   1.0   0.0
## [697]   1.0   0.0   1.0   1.0   1.0   0.0   1.0   1.0   1.0   1.0   0.0   1.0
## [709]   0.0   1.0   1.0   1.0   1.0   1.0   1.0   1.0   1.0   1.0   0.0   1.0
## [721]   1.0   1.0   0.0   1.0   1.0   1.0   1.0   1.0   0.0   1.0   1.0   1.0
## [733]   1.0   1.0   1.0   1.0   1.0   1.0   1.0   1.0   1.0   1.0   0.0   0.0
## [745]   1.0   1.0   0.0   1.0   0.0   1.0   1.0   0.0   1.0   0.0   1.0   1.0
## [757]   1.0   1.0   1.0   1.0   1.0   1.0   1.0   1.0   1.0   1.0   1.0   1.0
## [769]   0.0   1.0   1.0   0.0   0.0   0.0   1.0   0.0   1.0   1.0   0.0   0.0
## [781]   0.0   0.0   0.0   0.0   0.0   0.0   0.0   1.0   0.0   0.0   0.0   0.0
## [793]   0.0   0.0   0.0   0.0   1.0   0.0   0.0   0.0   0.0   0.0   0.0   0.0
## [805]   0.0   0.0   0.0   0.0   0.0   1.0   1.0   0.0   0.0   1.0   0.0   1.0
## [817]   0.0   1.0   1.0   1.0   0.0   1.0   0.0   0.0   1.0   1.0   0.0   1.0
## [829]   0.0   1.0   0.0   0.0   1.0   0.0   1.0   1.0   1.0   0.0   1.0   0.0
## [841]   1.0   0.0   0.0   1.0   1.0   1.0   0.0   0.0   0.0   0.0   0.0   1.0
## [853]   1.0   1.0   1.0   0.0   1.0   0.0   1.0   0.0   0.0   1.0   0.0   0.0
## [865]   0.0   0.0   0.0   0.0   1.0   1.0   0.0   1.0   1.0   1.0   0.0   1.0
## [877]   1.0   2.0   2.0   1.0   1.0   1.0   2.0   1.0   1.0   2.0   1.0   1.0
## [889]   3.0   1.0   3.0   1.0   1.0   1.0   2.0   1.0   1.0   3.0   2.0   3.0
## [901]   1.0   2.0   1.0   2.0   2.0   3.0   1.0   2.0   2.0   3.0   3.0   1.0
## [913]   3.0   2.0   2.0   3.0   2.0   2.0   2.0   1.0   2.0   1.0   3.0   3.0
## [925]   2.0   2.0   3.0   3.0   3.0   3.0   3.0   3.0   2.0   2.0   2.0   3.0
## [937]   3.0   3.0   3.0   3.0   3.0   3.0   1.0
summary(missing1.1[!missing_a])
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
##    0.00    1.00    3.00   22.99    6.10  270.00