Question

我有一个数据集，我想为其遗漏缺失值。我不想使用列中位数，而是使用类别中位数。我可以创建一个聚合，但我想知道将这两个部分集成的最佳方法是什么。这是一个玩具数据集。

df1 <- iris

set.seed(456)
df1[sample(nrow(df1), 30, replace = F), 'Sepal.Length'] <- NA

set.seed(456)
df1[sample(nrow(df1), 30, replace = F), 'Sepal.Width'] <- NA

set.seed(456)
df1[sample(nrow(df1), 30, replace = F), 'Petal.Length'] <- NA

set.seed(456)
df1[sample(nrow(df1), 30, replace = F), 'Petal.Width'] <- NA

agg1 <- aggregate(. ~ Species, data = df1, FUN = median)

我知道我可以使用一堆ifelse()'s和循环来做到这一点，但我认为这是一种更优雅的方式。任何建议将不胜感激。

编辑：这就是我自己想出的：

for(i in names(df1)[sapply(df1, is.numeric)]){  # i = "Sepal.Length"

    for(k in agg1$Species){
        df1[,i] <- ifelse(is.na(df1[,i]), agg1[which(agg1$Species == k),i], df1[,i])
    }

}

Answer 1

有几种方法可以对此操作进行矢量化。

如果行的顺序不重要（即，您很乐意最后追加所有插补的行），那么以下是一个选项：

df2 <- rbind(na.omit(df1),
             agg1[match(df1[!complete.cases(df1), 'Species'], agg1$Species), ])

或者，merge可用于保留行顺序（这可能更可取）：

df1[!complete.cases(df1), -5] <- 
  merge(agg1, df1[!complete.cases(df1), 'Species', drop=FALSE], 
        by='Species')[, -c(1, 5)]

Answer 2

您也可以使用dplyr

library(dplyr)
library(tidyr)

获取中值

dfMed <- df1%>%
gather(Var,Val, Sepal.Length:Petal.Width)%>%
group_by(Species, Var) %>% 
summarize(Val=median(Val, na.rm=T))%>% 
spread(Var,Val)


 dfMed
# Source: local data frame [3 x 5]

#      Species Sepal.Length Sepal.Width Petal.Length Petal.Width
# 1     setosa          5.0         3.4         1.45         0.2
# 2 versicolor          5.9         2.9         4.40         1.3
# 3  virginica          6.4         3.0         5.50         2.0

inner_join NA行df1

的结果

dfJoin <- inner_join(dfMed, df1%>%
do(filter(., !complete.cases(.))), by="Species")[,c(2:5,1)]

用dfJoin

替换缺失值行

df1[!df1%>% complete.cases(),] <- dfJoin

Answer 3

使用data.table：

首先我们将您的数据发送到data.table：

setDT(df1)

然后我们得到agg1：

agg1 = df1[, lapply(.SD, median, na.rm=TRUE), by=Species]
setcolorder(agg1, chmatch(names(df1), names(agg1)))

现在，我们用基于二进制搜索的子集（比矢量扫描更快的速度）用引用（不会复制）的值替换NA s agg1，一次，仅适用于所有NA s的行：

cols = names(df1) setkey(agg1, Species) df1[is.na(Sepal.Length) & is.na(Sepal.Width) & is.na(Petal.Length) & is.na(Petal.Width), (cols) := agg1[J(Species)]]

i中的条件完全拼写出来，因为使用complete.cases可能会导致数据集中只有一列或多列中有NA的其他行，如我明白不应该被替换。

Answer 4

这是我最终使用的内容：

imputeMed <- function(x){
    medX <- median(x, na.rm = T)
    x <- ifelse(is.na(x), medX, x)
    return(x)
}

vtu1 <- names(df1)[sapply(df1, is.numeric)]
specLev <- unique(as.character(df1$Species))

for(i in specLev){  # i = specLev[1]

df1[df1$Species == i,vtu1] <- as.data.frame(lapply(df1[df1$Species == i,vtu1], imputeMed))

}

R使用aggregate（）输出来输入NA

4 个答案: