按组有效填充 NA

Question

我有一个数据集，我在其中观察某些人的变量，而不是其他人。对于那些我观察变量的人，我只观察一次。但是，每个个体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 应该保持 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)

到目前为止一切顺利，不是什么大问题。取自另一个线程，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

这很好地解决了这个问题。但是，我必须为大约 80mio 执行此操作。观察，这需要几个小时。有更快的方法吗？我认为data.table 可能是一个不错的候选人。

如果可以调整该方法以仅填充出现在值之前的 NA，那就太好了。

谢谢！

Answer 1

您可以对 data.table 和 dplyr 使用一种非常简单的方法，我相信这会非常快速和高效：

在数据表中：

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])

关键是你有一个非 NA 值，每组恰好 o 或 1 次。因此，您不需要 last-observation-carried-forward 逻辑。只需取第一个非 NA 值（如果存在）。

Answer 2

这是我使用的代码：你的代码 vs akrun vs 我的。有时动物园不是最快的过程，但它是最干净的。无论如何，你可以测试它。

更新： 它已经用更多数据 (100.000) 进行了测试，到目前为止，Process 03（子集和合并）胜出。

上次更新 与rbenchmark的功能对比：

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

Answer 3

我们可以使用data.table 就地分配。这里，zoo中的na.locf用于用相邻的非NA元素填充NA元素

library(data.table)
library(zoo)
setDT(data)[, value := na.locf(na.locf(value, na.rm = FALSE), fromLast = TRUE), group]

基准测试

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 

注意：这花了很多时间。所以必须中止会话。

注意 2：这种方法是基于我们希望用非 NA 相邻元素替换 NA 元素并且每组有多个非 NA 元素的假设