如何用其他列的值估算多列中的 NA？答案

【问题标题】：How to impute NAs in many columns with the values from other columns?如何用其他列的值估算多列中的 NA？
【发布时间】：2021-06-23 13:41:50
【问题描述】：

我有一个包含 200 个变量的数据集，这些变量都有一些缺失值。 200 个变量中的每一个都有另一列，我想用它来估算缺失值。

示例数据：

have <- data.frame(ID = c(1:10), var1 = c(runif(7), NA, NA, NA), var1_fill = runif(10))

   ID       var1     var1_fill
1   1 0.68783885   0.140508053
2   2 0.74672512   0.001270443
3   3 0.09607276   0.917535359
4   4 0.03222775   0.363960434
5   5 0.03560543   0.901288399
6   6 0.46595122   0.725499220
7   7 0.42781890   0.781295939
8   8         NA   0.737999219
9   9         NA   0.456795266
10 10         NA   0.314562042

如果我想对一列进行估算，我会使用以下代码：

have$var1_imputed <- ifelse(is.na(have$var1) == T, have$var1_fill, have$var1)

   ID       var1     var1_fill var1_imputed
1   1 0.68783885   0.140508053   0.68783885
2   2 0.74672512   0.001270443   0.74672512
3   3 0.09607276   0.917535359   0.09607276
4   4 0.03222775   0.363960434   0.03222775
5   5 0.03560543   0.901288399   0.03560543
6   6 0.46595122   0.725499220   0.46595122
7   7 0.42781890   0.781295939   0.42781890
8   8         NA   0.737999219   0.73799922
9   9         NA   0.456795266   0.45679527
10 10         NA   0.314562042   0.31456204

我无法弄清楚如何编写一个循环来为 200 个变量执行此操作，因为我不能使用 $ 来引用列名。在实际数据集中，变量名称不遵循任何模式，如 var1、var2 等。但是，原始的 200 个变量位于第 7 到 206 列中，用于各自插补的列是 207 到 406。用于插补的列也与原始列具有相同的名称，但带有一个附加后缀，如示例中所示（var1 和 var1_fill）。

【问题讨论】：

标签： r loops imputation

【解决方案1】：

使用fcoalesce 的data.table 选项

setDT(df)[
  ,
  setNames(
    Map(fcoalesce, .SD[, 7:206], .SD[, 207:406]),
    paste0(names(.SD[, 7:206]), "_imputed")
  )
]

【讨论】：

【解决方案2】：

可以使用for-loop 结构来执行以下操作：

评估数值类列
将 NA 行替换为整个列的平均值

for(i in 1:ncol(df)){
  if(is.numeric(df[[i]])){
    
    df[is.na(df[,i]), i] <- mean(df[,i], na.rm = TRUE)
  }

  else {
    next
  }
}

控制台输出：

#   ID       var1 var1_fill
#1   1 0.01655469 0.5765553
#2   2 0.36868666 0.7912901
#3   3 0.80009094 0.7261624
#4   4 0.81749627 0.1174201
#5   5 0.10803860 0.5773327
#6   6 0.95316825 0.5261833
#7   7 0.34709855 0.2248959
#8   8 0.48730485 0.9822904
#9   9 0.48730485 0.8536809
#10 10 0.48730485 0.8169835

数据

df <- structure(list(ID = 1:10, var1 = c(0.212889024056494, 0.708460660418496, 
0.135542315198109, 0.928928294451907, 0.893806081730872, 0.853342124959454, 
0.226619977504015, NA, NA, NA), var1_fill = c(0.200933166779578, 
0.939760707085952, 0.201024484355003, 0.843706431100145, 0.749990617623553, 
0.51712017855607, 0.521659950027242, 0.168859238736331, 0.826423087157309, 
0.930347595131025)), class = "data.frame", row.names = c(NA, 
-10L))

【讨论】：