根据因子分布用值填充 NA 值（对于因子值列）？ [关闭]

Question

我有一个包含多个因子列的数据框 df，例如包含因子 a、b、c 的 A 列，包含因子 m、f 的 B 列等等。

这些列中的每一列都有 NA。

1. 如何根据它们的 a、b、c 和 m、f 填充 NA 列中的分布（例如，如果我有 50% 的男性和 50% 女性（为简单起见）我将填写我的 NA 的 50% 作为男性，50% 作为女性）？

2. 如果我有大约 550 个数据观察和 41 列？

   • 下一步将对其进行重新采样以扩大数据集并在数据集上应用 ML - 请告诉我哪个函数可以将此数据集扩大到 10000 个或更多观测值？

提前致谢！

Answer 1

你可以使用下面的代码（请看下面的几个cmets）（我创建了一个小数据框给你一个具体的例子）

A_ <- c(rep("a", 10), rep("b", 60), rep("c", 30), rep(NA, 200))
A <- data.frame(A_)
names(A) <- c("A")

b <- sample(c("a","b","c"), size = 200, prob = c(10,60,30)/100,replace = TRUE)
A[is.na(A)] <- b

您可以检查

table(A)

现在您应该小心更改 NA 值。首先我会检查你为什么有NA。也许信息不存在是有原因的。使用分布中的值更改 NA，您会自动假设缺失数据遵循相同的分布。真的是这样吗？ 550 个观察值真的没有那么多关于分布的讨论。也许您需要简单地忽略带有 NA 的记录？

关于第二个问题，您不能简单地从现有数据中生成新数据。在某些情况下（例如，参见图像，您可以在其中倾斜、移动它们等等），您可以“增强”您的数据集。使用您描述的小数据集，我不会这样做。 这完全取决于您拥有的数据类型。但我的第一印象是，在你的情况下，有 41 个因子和许多 NA，你不能简单地增加你的数据。

可能更多地了解您的数据集可以帮助我们为您提供更准确的帮助。