Question

我有一个数据集，在其中观察到一些人而不是其他人的变量。对于那些我观察变量的人，我只观察一次。但是，每个人的观察次数以及观察值的位置会有所不同。

如果有非NA值，我想用非NA值填充给定个体的所有NA值。否则，NA应该保留为NA。

这是一个示例数据集：

#data.frame of 100 individuals with 10 observations each
data <- data.frame(group = rep(1:100,each=10),value = NA)

#first 50 individuals get a value at the fifth observation, others don't have value
data$value[seq(5,500,10)] <- rnorm(50)

到目前为止，还算不错，不是什么大问题。从另一个线程获取，我们可以使用dplyr和tidyr做这样的事情：

data <- data %>% 
  group_by(group) %>% #by group
  fill(value) %>% #default direction down
  fill(value, .direction = "up") #also fill NAs upwards

这可以很好地解决问题。但是，我必须在80mio左右执行此操作。观察，这需要几个小时。有没有更快的方法？我认为data.table可能是一个不错的候选人。

如果可以修改该方法以仅填充出现在值之前的NA，那也将是很好的。

谢谢！

Answer 1

您可以对data.table和dplyr使用非常简单的方法，我相信这将是非常快速和高效的：

在data.table中：

library(data.table)
setDT(data)
data[, value := value[!is.na(value)][1L], by = group]

或dplyr：

library(dplyr)
data <- data %>% 
  group_by(group) %>% 
  mutate(value = value[!is.na(value)][1L])

要点是，每个组的非NA值分别为o或1次。因此，您不需要进行最后观察的转发逻辑。只需获取第一个非NA值（如果存在）。

Answer 2

我们可以使用na.locf进行分配。这里，zoo中的library(data.table) library(zoo) setDT(data)[, value := na.locf(na.locf(value, na.rm = FALSE), fromLast = TRUE), group]用于用相邻的非NA元素填充NA元素

set.seed(24)
data1 <- data.frame(group = rep(1:1e6,each=10),value = NA)
data1$value[seq(5,1e6,10)] <- rnorm(100000)

data2 <- copy(data1)

system.time({setDT(data2)[, value := na.locf(na.locf(value, 
             na.rm = FALSE), fromLast = TRUE), group]})
#   user  system elapsed 
# 70.681   0.294  70.917 


system.time({

data1 %>% 
  group_by(group) %>% #by group
  fill(value) %>% #default direction down
  fill(value, .direction = "up")

})
# 17% ~33 m remaining

基准

{{1}}

注意：这花费了很多时间。因此必须中止会话。

注意2：这种方法是基于以下假设：我们要用非NA相邻元素替换NA元素，并且每组有不止一个非NA元素

Answer 3

这是我使用的代码：您的代码vs akrun vs我的代码。有时动物园不是最快的过程，但它是最干净的过程。无论如何，您可以对其进行测试。

更新：它已经过测试，具有更多数据（100.000），并且到目前为止，Process 03（子集和合并）获胜。

最新更新 与rbenchmark的功能比较：

library(dplyr)
library(tidyr)
library(base)
library(data.table)
library(zoo)
library(rbenchmark)

#data.frame of 100 individuals with 10 observations each
data <- data.frame(group = rep(1:10000,each=10),value = NA)
data$value[seq(5,5000,10)] <- rnorm(50) #first 50 individuals get a value at the fifth observation, others don't have value

#Process01
P01 <- function (data){
    data01 <- data %>% 
        group_by(group) %>% #by group
            fill(value) %>% #default direction down
            fill(value, .direction = "up") #also fill NAs upwards
    return(data01)
}

#Process02
P02 <- function (data){
    data02 <- setDT(data)[, value := na.locf(na.locf(value, na.rm = FALSE), 
                                             fromLast = TRUE), group]
    return(data02)
}

#Process03
P03 <- function (data){
    dataU <- subset(unique(data), value!='NA') #keep row number
    dataM <- merge(data, dataU, by = "group", all=T) #merge tables
    data03 <- data.frame(group=dataM$group, value = dataM$value.y) #idem shape of data
    return(data03)
}

benchmark("P01_dplyr" = {data01 <- P01(data)},
          "P02_zoo" = {data02 <- P02(data)},
          "P03_data.table" = {data03 <- P03(data)},
          replications = 10,
          columns = c("test", "replications", "elapsed")
          )

数据= 10.000、10次重复和I5 7400的结果：

    test replications elapsed
1      P01_dplyr           10  257.78
2        P02_zoo           10   10.35
3 P03_data.table           10    0.09

按组有效填充NA

3 个答案:

基准