按因子列对数据框组进行变量插补

Question

我有一个数据框，其中包含数值列，这些列具有我想要通过因子水平来填充缺失值的因子水平...让我解释一下。

part   id   value
a      1     23.4
a      2     23.8
a      3     45.6
a      4     34.7
a      5     Na
b      1     45.2
b      2     34.6
b      3     Na
b      4     30.9
b      5     28.1

我希望用部分的平均值来填补NA值。所以对于a部分，我想用a部分1-4id的平均值来填补5 id的缺失值，对于b部分同样，用b部分其他id的平均值来填补3 id的缺失值等。

我需要在许多列中执行此操作（想象一下有更多的值列）。因此可能需要使用apply和函数等方法。

- PaulBeales

---

你可以通过在read.table/read.csv中使用na.strings='Na'来避免将数字列读取为因子。 - akrun

另外，考虑使用missForest包。 - zx8754

Answer 1

通过在 read.table/read.csv 中使用 na.strings 参数，我们可以将缺失值转换为真正的 NA，从而将“value”列读取为“numeric”。使用 dplyr，我们可以将多个值列中的 NAs 替换为该列的 mean。

library(dplyr)
df1 %>%
    group_by(part) %>%
    mutate_each(funs(replace(., which(is.na(.)), mean(., na.rm=TRUE))), 
       starts_with('value'))

或者使用 data.table 的类似选项。

library(data.table)
nm1 <- grep('value', names(df1))
setDT(df1)[, (nm1) := lapply(.SD,  function(x) replace(x,
     which(is.na(x)), mean(x, na.rm=TRUE))), by = part,.SDcols=nm1]

数据

df1 <- read.table(text="part   id   value
a      1     23.4
a      2     23.8
a      3     45.6
a      4     34.7
a      5     Na
b      1     45.2
b      2     34.6
b      3     Na
b      4     30.9
b      5     28.1", header=TRUE, na.strings="Na", stringsAsFactors=FALSE)

- akrun

---

谢谢您的提问。如果值列（有很多列）具有不同的名称，该如何处理呢？例如：col3=value，但是col4=nextvalue，col5=adiffvalue等等... - PaulBeales

@PaulBeales 这不是问题。您可以删除 starts_with 并使用 col3:col5 或在 ?select 中描述的某些方法来选择列。 - akrun

@PaulBeales 我认为列名称应该是 col3、col4 等等。在你的情况下，应该是 contains('value') 或者 ends_with('value')。 - akrun

谢谢...这就是我需要的...非常感谢 - 已打勾..！ - PaulBeales