dplyr：在 group_by 之后用零替换 NA，同时在 R 中保留原始 NA答案

【问题标题】：dplyr: replace NAs with zeros after group_by, while keeping original NAs in Rdplyr：在 group_by 之后用零替换 NA，同时在 R 中保留原始 NA
【发布时间】：2021-05-20 19:31:47
【问题描述】：

我正在创建一个新变量，并且由于 NA 以及只有一些人符合分组标准，我最终在我的最终数据集中创建了许多新的 NA。

Here 是数据。

更新示例数据框：

id    age    year   var1
4     KL      2007   15
1     KL      2008   10
2     KL      2008   20
4     AG      2008   NA
3     AG      2008   5    
3     SU      2009   NA
4     SU      2009   NA    
4     LL      2011   NA

数据框细微差别：

age=="KL" & year==2007 只有 1 行（有值）
age=="KL" & year==2008 有多行（带值）
age=="AG" & year==2008 有多行（带有值和 NA）
age=="SU" & year==2009 有多行（仅限 NA）
age=="LL" & year==2011 只有 1 行（带 NA）

示例公式：

df<-df %>%
    group_by(age, year) %>% 
    mutate(new_var1=((var1-mean(var1, na.rm=T))/(1*(sd(var1, na.rm=T)))))

当前输出：

id    age    year   var1    new_var1
4     KL      2007   15      NA
1     KL      2008   10     -0.7071068
2     KL      2008   20      0.7071068
4     AG      2008   NA      NA
3     AG      2008   5       NA
3     SU      2009   NA      NA
4     SU      2009   NA      NA
4     LL      2011   NA      NA

期望的输出：

id    age    year   var1    new_var1
4     KL      2007   15      0
1     KL      2008   10     -0.7071068
2     KL      2008   20      0.7071068
4     AG      2008   NA      NA
3     AG      2008   5       0
3     SU      2009   NA      NA
4     SU      2009   NA      NA
4     LL      2011   NA      NA

我怎样才能保留现有的 NA（那些是缺失数据的真实实例），同时强制新 NA 的任何实例（因为该行是唯一的记录）为 0 而不是 NA？

非常感谢dplyr 解决方案。

我知道如何用零替换 NA（例如，mutate(new_var1=ifelse(is.na(new_var1), 0, new_var1))），但这会替换所有 NA，而不仅仅是新的 NA。

【问题讨论】：

id 4 的最后一行的输出是什么
就像一个菜鸟一样，我没有指定年龄的编码（它是分类的，而不是数字的）。我还在问题中添加了真实数据。
这并不重要，因为我们正在进行分组并且值是根据数字计算的
嗯。对我来说，这一定是一件非常愚蠢的事情。不过我不想再浪费你的时间了，所以谢谢你的帮助！

标签： r group-by dplyr

【解决方案1】：

我们可以使用if/else 创建一个条件来检查单个观察值，如果不是 NA，则返回 0 否则进行计算

library(dplyr)
df %>% 
   group_by(age, year) %>% 
  mutate(var1 = if(n() == 1 && !is.na(var1) | sum(!is.na(var1)) == 1) 0 * var1
  else ((var1-mean(var1, na.rm=TRUE))/(1*(sd(var1, na.rm=TRUE))))) %>%
    ungroup

-输出

# A tibble: 8 x 4
     id age    year   var1
  <int> <chr> <int>  <dbl>
1     4 KL     2007  0    
2     1 KL     2008 -0.707
3     2 KL     2008  0.707
4     4 AG     2008 NA    
5     3 AG     2008  0    
6     3 SU     2009 NA    
7     4 SU     2009 NA    
8     4 LL     2011 NA

数据

df <- structure(list(id = c(4L, 1L, 2L, 4L, 3L, 3L, 4L, 4L), age = c("KL", 
"KL", "KL", "AG", "AG", "SU", "SU", "LL"), year = c(2007L, 2008L, 
2008L, 2008L, 2008L, 2009L, 2009L, 2011L), var1 = c(15L, 10L, 
20L, NA, 5L, NA, NA, NA)), class = "data.frame", row.names = c(NA, 
-8L))

【讨论】：

出于某种原因，当我尝试应用您的解决方案时，它会为整个列返回 NaN。您能否帮我解决为什么它对您的答案有效，但对我无效？
@BlunderingEcologist 这是基于您展示的相同示例吗？在您的原始数据中，我猜有些组有不止一个观察值，而且它们都是 NA，这会导致 NaN 而您使用 mean 进行计算
啊，我想可能是这样。我尝试使用上面的一个精简示例来避免让人不知所措，但我认为我错过了一些重要的细微差别？
@BlunderingEcologist 我没有在此处包含该条件。此外，可能存在单个非 NA 元素并且 sd 可以返回 NA
我认为这在我的原始数据集中更常见（单个非 NA 元素，然后由于 sd() 函数而最终给出 NA）。是否可以修改您的答案以允许这些条件？（我很抱歉没有提出更好的问题）。我将更新我的示例数据集以尝试包含这些内容。

【解决方案2】：

一个选项可能是：

df <- structure(list(id = c(4L, 1L, 2L, 4L, 3L, 3L, 4L, 4L), 
                     age = c("KL", "KL", "KL", "AG", "AG", "SU", "SU", "LL"),
                     year = c(2007L, 2008L, 2008L, 2008L, 2008L, 2009L, 2009L, 2011L), 
                     var1 = c(15L, 10L, 20L, NA, 5L, NA, NA, NA)), class = "data.frame", row.names = c(NA, 
                                                                                                                                                                                                                                            -8L))
library(dplyr)

df %>%
  group_by(age, year) %>% 
  mutate(new_var1=ifelse(is.nan(scale(var1)), 0, scale(var1))) %>% 
  ungroup()
#> # A tibble: 8 x 5
#>      id age    year  var1 new_var1[,1]
#>   <int> <chr> <int> <int>        <dbl>
#> 1     4 KL     2007    15        0    
#> 2     1 KL     2008    10       -0.707
#> 3     2 KL     2008    20        0.707
#> 4     4 AG     2008    NA       NA    
#> 5     3 AG     2008     5        0    
#> 6     3 SU     2009    NA       NA    
#> 7     4 SU     2009    NA       NA    
#> 8     4 LL     2011    NA       NA

library(data.table)
setDT(df)[, new_var1 :=ifelse(is.nan(scale(var1)), 0, scale(var1)), by = list(age, year)][]
#>    id age year var1   new_var1
#> 1:  4  KL 2007   15  0.0000000
#> 2:  1  KL 2008   10 -0.7071068
#> 3:  2  KL 2008   20  0.7071068
#> 4:  4  AG 2008   NA         NA
#> 5:  3  AG 2008    5  0.0000000
#> 6:  3  SU 2009   NA         NA
#> 7:  4  SU 2009   NA         NA
#> 8:  4  LL 2011   NA         NA

^{由reprex package (v2.0.0) 于 2021 年 5 月 21 日创建}

【讨论】：