Question

如果想根据组内的前/后非NA观察值填写变量的缺失值，则data.table命令为

setkey(DT,id,date)
DT[, value_filled_in := DT[!is.na(value), list(id, date, value)][DT[, list(id, date)], value, roll = TRUE]]

这很复杂。遗憾的是roll是一个非常快速和强大的选项（特别是与在每个组中应用zoo::na.locf等功能相比）

我可以写一个便利函数来填补缺失的值

   fill_na <-  function(x , by = NULL, roll =TRUE , rollends= if (roll=="nearest") c(TRUE,TRUE)
             else if (roll>=0) c(FALSE,TRUE)
             else c(TRUE,FALSE)){
    id <- seq_along(x)
    if (is.null(by)){
      DT <- data.table("x" = x, "id" = id, key = "id") 
      return(DT[!is.na(x)][DT[, list(id)], x, roll = roll, rollends = rollends, allow.cartesian = TRUE])

    } else{
      DT <- data.table("x" = x, "by" = by, "id" = id, key = c("by", "id")) 
      return(DT[!is.na(x)][DT[, list(by, id)], x, roll = roll, rollends = rollends, allow.cartesian = TRUE])
    }
  }

然后写

setkey(DT,id, date)
DT[, value_filled_in := fill_na(value, by = id)]

由于有人想写

，这并不令人满意

setkey(DT,id, date)
DT[, value_filled_in := fill_na(value), by = id]

然而，这需要花费大量时间来运行。而且，对于最终用户来说，了解应使用fill_na选项调用by并且不应与data.table by一起使用，这很麻烦。这周围有一个优雅的解决方案吗？

一些速度测试

N <- 2e6
set.seed(1)
DT <- data.table(
         date = sample(10, N, TRUE),
           id = sample(1e5, N, TRUE),   
        value = sample(c(NA,1:5), N, TRUE),
       value2 = sample(c(NA,1:5), N, TRUE)                   
      )
setkey(DT,id,date)
DT<- unique(DT)

system.time(DT[, filled0 := DT[!is.na(value), list(id, date, value)][DT[, list(id, date)], value, roll = TRUE]])
#> user  system elapsed 
#>  0.086   0.006   0.105 
system.time(DT[, filled1 := zoo::na.locf.default(value, na.rm = FALSE), by = id])
#> user  system elapsed 
#> 5.235   0.016   5.274 
# (lower speed and no built in option like roll=integer or roll=nearest, rollend, etc)
system.time(DT[, filled2 := fill_na(value, by = id)])
#>   user  system elapsed 
#>  0.194   0.019   0.221 
system.time(DT[, filled3 := fill_na(value), by = id])
#>    user  system elapsed 
#> 237.256   0.913 238.405

为什么我不使用na.locf.default？即使速度差异并不重要，但同样的问题也出现在其他类型的data.table命令中（那些依赖于变量在“by”中合并的命令） - 为了得到一个系统地忽略它们是一种耻辱。语法更简单。我也非常喜欢所有的滚动选项。

Answer 1

这是一种更快，更紧凑的方式（版本1.9.3 +）：

DT[, filled4 := DT[!is.na(value)][DT, value, roll = T]]

Answer 2

现在有一种原生的data.table方式来填充缺失值（自1.12.4起）。

这个问题催生了一个github issue，它最近因创建函数nafill和setnafill而关闭。您现在可以使用

DT[, value_filled_in := nafill(value, type = "locf")]

也可以用恒定值填充NA或带回的下一个观测值。

该问题与方法的不同之处在于，这些功能当前仅适用于NA而不适用于NaN，而is.na是TRUE的{{1}}-这是planned，将在下一发行版中通过一个额外的参数进行修正。

我没有参与该项目，但我看到尽管github问题链接在这里，但没有其他链接，所以我代表未来的访问者进行回答。

在data.table中按组填写缺失值

2 个答案: