如何将缺失值插入向量中

Question

让我尽可能地概括这个问题。

假设我有两个变量a和b。

a <- as.integer(runif(20, min = 0, max = 10))
a <- as.data.frame(a)
b <- as.data.frame(a[c(-7, -11, -15),])

所以b有17个观察值，是a的子集，a有20个观察值。

我的问题是：如何使用这两个变量生成第三个变量c，它像a一样有20个观察值，但缺少7、11和15个观察值，并且其他观察值与b相同，但顺序与a相同？

或者换句话说：我该如何在位置7、11和15上将这些缺失的观察值插入到变量b中？

这似乎非常简单（可能确实如此），但我已经尝试了很长时间，却没有得到结果。

- hjms

---

你是否实际拥有变量 a 和 b，或者能够直接从 a 直接到达 c（你是否拥有创建变量 b 的指令）？ - Joe

嗨，乔，是的，我有_a_和_b_。 - hjms

Answer 1

1) 循环 试试这个循环：

# test data
set.seed(123) # for reproducibility
a <- as.integer(runif(20, min = 0, max = 10))
a <- as.data.frame(a)
b <- as.data.frame(a[c(-7, -11, -15),])

# lets work with vectors
A <- a[[1]]
B <- b[[1]]

j <- 1
C <- A
for(i in seq_along(A)) if (A[i] == B[j]) j <- j+1 else C[i] <- NA

该句意为：“提供：”

> C
 [1]  2  7  4  8  9  0 NA  8  5  4 NA  4  6  5 NA  8  2  0  3  9

2) 减少 这是一个无循环版本:

f <- function(j, a) j + (a == B[j])
r <- Reduce(f, A, acc = TRUE)
ifelse(duplicated(r), NA, A)

提供：

[1]  2  7  4  8  9  0 NA  8  5  4 NA  4  6  5 NA  8  2  0  3  9

3) dtw. 在同名包中使用dtw，我们可以得到一个紧凑的无环代码：

library(dtw)

ifelse(duplicated(dtw(A, B)$index2), NA, A)

提供：

[1]  2  7  4  8  9  0 NA  8  5  4 NA  4  6  5 NA  8  2  0  3  9

更新：添加了更多解决方案。

- G. Grothendieck

---

@Joe，已添加了一个无循环版本。 - G. Grothendieck

@G.Grothendieck 很好！ - Joe

@eddi，我的第三个答案可以处理这些。请注意，你的回复中的复杂示例并没有唯一的答案，实际上，上面的第三个替代方案确实给出了一个不同但有效的答案。 - G. Grothendieck

@G.Grothendieck，你的第三个答案仍然对我给出的示例返回了次优结果（当然，OP可能不关心与最小编辑距离匹配，但如果我们要添加一个基准来确定什么是最优的 - 那就是显而易见的）。 - eddi

@eddi，这个问题中并没有最优性的概念。实际上，你的复杂模式有多个可行解决方案。 - G. Grothendieck

Answer 2

这里有一种更复杂的方法，使用Levenshtein距离算法，在更复杂的示例中表现更好（在我尝试的几个较大的测试中似乎也更快）：

# using same data as G. Grothendieck:
set.seed(123) # for reproducibility
a <- as.integer(runif(20, min = 0, max = 10))
a <- as.data.frame(a)
b <- as.data.frame(a[c(-7, -11, -15),])
A = a[[1]]
B = b[[1]]

# compute the transformation between the two, assigning infinite weight to 
# insertion and substitution
# using +1 here because the integers fed to intToUtf8 have to be larger than 0
# could also adjust the range more dynamically based on A and B
transf = attr(adist(intToUtf8(A+1), intToUtf8(B+1),
                    costs = c(Inf,1,Inf), counts = TRUE), 'trafos')

C = A
C[substring(transf, 1:nchar(transf), 1:nchar(transf)) == "D"] <- NA
#[1]  2  7  4  8  9  0 NA  8  5  4 NA  4  6  5 NA  8  2  0  3  9

更复杂的匹配示例（贪婪算法表现不佳的情况）：

A = c(1,1,2,2,1,1,1,2,2,2)
B = c(1,1,1,2,2,2)

transf = attr(adist(intToUtf8(A), intToUtf8(B),
                    costs = c(Inf,1,Inf), counts = TRUE), 'trafos')

C = A
C[substring(transf, 1:nchar(transf), 1:nchar(transf)) == "D"] <- NA
#[1] NA NA NA NA  1  1  1  2  2  2

# the greedy algorithm would return this instead:
#[1]  1  1 NA NA  1 NA NA  2  2  2

- eddi

---

请注意，此解决方案依赖于“a”的组件每个都是一位数字的事实。 - G. Grothendieck

@G.Grothendieck 很好的观点 - 将其扩展到更大的整数的方法是使用 intToUtf8 而不是 paste0 - 我会在一秒钟内进行编辑。 - eddi

Answer 3

数据框版本与G.的版本相差不大（假设a、b已设置如上）。

j <- 1
c <- a
for (i in (seq_along(a[,1]))) {
    if (a[i,1]==b[j,1]) {
        j <- j+1
        } else 
        {
        c[i,1] <- NA
        }

}

- Joe