Question

我想填充不是基于LOCF的缺失值，而是基于该组可用的值。虽然我能够根据Filling missing value in group的答案做到这一点，但我正在寻找有关以下内容的解释：

问题a） (Final_Rank = Final_Rank[1])。海报没有解释这一部分。

问题b）还有其他更高效（速度方面）的方法吗？我看到一个使用Data.Table，但我不太熟悉它。我无法使用Data.Table执行此操作。实际数据大小为2GB。

以下是我的数据：

dput(DF)
structure(list(SL3 = c("SE", "SE", "SE", "SE", "SE", "SE", "SW", 
"SW", "SW", "SW", "SW", "SW"), SL6 = c("SL123", "SL123", "SL123", 
"SL123", "SL123", "SL124", "SL123", "SL123", "SL123", "SL123", 
"SL123", "SL124"), Sname = c("123 Inc", "123 Inc", "123 Inc", 
"123 Inc", "123 Inc", "234 Inc", "345 Inc", "345 Inc", "345 Inc", 
"345 Inc", "345 Inc", "567 Inc"), Group = c("Red", "Sapphire", 
"Red", "Sapphire", "White", "Red", "Red", "Sapphire", "Red", 
"Sapphire", "White", "Red"), Final_Rank = c("High", "Medium", 
NA, NA, "Low", NA, "High", "Medium", NA, NA, "Low", NA), Value = c(1, 
2, 3, 4, 5, 6, 1, 2, 3, 4, 5, 6)), .Names = c("SL3", "SL6", "Sname", 
"Group", "Final_Rank", "Value"), row.names = c(NA, 12L), class = "data.frame")

这是我的代码：

DF%>% 
  dplyr::group_by(SL3,SL6, Sname, Group) %>%
  dplyr::arrange(SL3,SL6, Sname, Group, Final_Rank) %>%
  dplyr::mutate(Final_Rank = Final_Rank[1])

预期输出：

     SL3   SL6   Sname    Group Final_Rank Value
   <chr> <chr>   <chr>    <chr>      <chr> <dbl>
1     SE SL123 123 Inc      Red       High     1
2     SE SL123 123 Inc      Red       High     3
3     SE SL123 123 Inc Sapphire     Medium     2
4     SE SL123 123 Inc Sapphire     Medium     4
5     SE SL123 123 Inc    White        Low     5
6     SE SL124 234 Inc      Red       <NA>     6
7     SW SL123 345 Inc      Red       High     1
8     SW SL123 345 Inc      Red       High     3
9     SW SL123 345 Inc Sapphire     Medium     2
10    SW SL123 345 Inc Sapphire     Medium     4
11    SW SL123 345 Inc    White        Low     5
12    SW SL124 567 Inc      Red       <NA>     6

正如我们上面所看到的，因为第12行和第6行的其他地方都没有Final_Rank，我会得到NA。如果我使用tidyr::fill()，那些就会被填满。

如果有人能帮我解决上述两个问题，我将不胜感激。

Answer 1

对于A部分，这里是@ Haboryme的评论（保留在答案中）：

Final_Rank = Final_Rank[1]只需将Final_Rank替换为Final_Rank的第一个值。如果有非NA，它将是第一个。 - Haboryme

要进行扩展，使用group_by时，它会在组中选择Final_Rank 的第一个条目。这只是首先因为您在代码中arrange Final_Rank。您可以将Final_Rank[1]替换为任何选定的值，包括常量（例如"Missing"）或计算值（例如，paste(Final_Rank %>% unique %>% sort, sep ="; ")以连接该组中的所有值）。

只是看时间，所描述的mutate方法已经相当不错了。 data.table解决方案往往会快一点，但我发现语法很难，因为我在编程/调试（然后是一些）中丢失了在运行时刮掉的时间，除非我运行代码很多

以下是当前microbenchmark解决方案的快速基准（使用mutate包），建议的fill解决方案以及生成＆＃34;查找表的解决方案＆＃ 34;使用所需的条目，然后将其重新加入。请注意，如果有多个有效的fill条目，Final_Rank将给出与其他答案不同的答案。

library(microbenchmark) microbenchmark( mutate = DF%>% group_by(SL3,SL6, Sname, Group) %>% arrange(SL3,SL6, Sname, Group, Final_Rank) %>% mutate(Final_Rank = ifelse(is.na(Final_Rank), Final_Rank[1], Final_Rank)) , fill = DF%>% group_by(SL3,SL6, Sname, Group) %>% arrange(SL3,SL6, Sname, Group, Final_Rank) %>% fill(Final_Rank) , left_join = DF%>% select(-Value) %>% group_by(SL3,SL6, Sname, Group) %>% arrange(Final_Rank) %>% slice(1) %>% rename(newRank = Final_Rank) %>% left_join(DF, .) %>% arrange(SL3,SL6, Sname, Group) )

给出

Unit: milliseconds expr min lq mean median uq max neval mutate 1.783668 1.848683 1.954992 1.904577 1.968923 3.093098 100 fill 3.299220 3.399997 3.558219 3.491215 3.573784 4.756986 100 left_join 3.097166 3.214982 3.379452 3.300272 3.420206 4.653970 100

请注意，mutate解决方案比其他两个解决方案快一点，但可能存在其他解决方案（如果组大小增加，这些解决方案可能会有不同的扩展）。

最后，请注意，当前实现将Final_Rank中的 ALL 条目替换为组中的第一个条目。如果您只想替换缺少的条目，则需要使用ifelse（或fill，如上所述），如下所示：

DF%>% group_by(SL3,SL6, Sname, Group) %>% arrange(SL3,SL6, Sname, Group, Final_Rank) %>% mutate(Final_Rank = ifelse(is.na(Final_Rank), Final_Rank[1], Final_Rank))

我将其添加到microbenchmark并且它似乎并没有显着减缓：

Unit: milliseconds expr min lq mean median uq max neval mutate 1.752267 1.835038 1.937181 1.900086 1.946848 3.197292 100 fill 3.289838 3.414916 3.626607 3.507186 3.618336 5.857506 100 left_join 3.052692 3.209808 3.371702 3.260593 3.377899 6.924646 100 ifelse 1.771460 1.813426 1.935845 1.883497 1.951977 3.113328 100

根据组中的可用值填充缺失值

1 个答案: