我正在研究一个包含 81 个样本 x 407 个变量的代谢组学数据集，其中约 17% 的数据缺失。我想比较一些插补方法，看看哪种方法最适合我的数据。
预处理数据集的顺序是否有一般规则？我应该先归一化，然后规范化还是先规范化？
我已经尝试了 k-最近邻插补和对中位数进行归一化的两种方法，并使用 PCA 比较了结果，因子映射几乎没有差异。
然而，当使用随机森林插补时，如果我首先对数据进行归一化（归一化数据 NRMSE = 0.708，原始数据 NRMSE = 0.122），则插补误差会高得多。
我的两个主要问题是：
应该首先进行数据的插补或规范化吗？和
顺序是否取决于使用的插补函数？
在我看来，由于您使用的是 kNN 插补，并且 kNN 基于距离，因此您应该在插补 kNN 之前对数据进行归一化。问题是，标准化会受到 NA 值的影响，应该忽略。
例如，以大肠杆菌为例，其中变量的大小非常均匀。为从 0.05 到 0.20 的百分比人工创建 0.1 的 NA 将在原始数据集和估算数据集之间产生均方误差 (MSE)，如下所示：
0.08380378; 0.08594711; 0.09165323; 0.1005489; 0.09978495; 0.1120758; 0.1046071; 0.1048477; 0.1087384; 0.1283818; 0.1201014; 0.1264724; 0.1337024; 0.1457246; 0.1365055; 0.154879;
否则，如果您采用乳腺组织数据集，您将拥有的数据具有不同的量级，
889.4696；927.6151；773.7256；1229.74; 3356.833; 645.8142；755.98; 2110.523；987.5008；1796.339; 1603.461；1476.863; 2887.509；2001.222; 905.6305；2334.935；
也就是说，通过标准化，您可以合理地跟踪 MSE。