随机或按比例将分类值分配给 NA答案

【问题标题】：Assigning categorical values to NAs randomly or proportionally随机或按比例将分类值分配给 NA
【发布时间】：2019-02-23 20:44:23
【问题描述】：

我有一个数据集：

df <- structure(list(gender = c("female", "male", NA, NA, "male", "male", 
"male"), Division = c("South Atlantic", "East North Central", 
"Pacific", "East North Central", "South Atlantic", "South Atlantic", 
"Pacific"), Median = c(57036.6262, 39917, 94060.208, 89822.1538, 
107683.9118, 56149.3217, 46237.265), first_name = c("Marilyn", 
"Jeffery", "Yashvir", "Deyou", "John", "Jose", "Daniel")), row.names = c(NA, 
-7L), class = c("tbl_df", "tbl", "data.frame"))

我需要执行分析，以便我不能在 gender 变量中包含 NA 值。其他列太少并且没有已知的预测值，因此实际上不可能估算这些值。

我可以通过完全删除不完整的观察结果来执行分析 - 它们约占数据集的 4%，但我希望通过将 female 或 male 随机分配到缺失的案例中来查看结果。

除了编写一些非常丑陋的代码来过滤到不完整的情况，分成两部分并将NAs 替换为female 或male 在每一半中，我想知道是否有一种优雅的方式来随机或按比例为NAs 赋值？

【问题讨论】：

标签： r na

【解决方案1】：

我们可以使用ifelse和is.na判断na是否存在，然后使用sample随机选择female和male。

df$gender <- ifelse(is.na(df$gender), sample(c("female", "male"), 1), df$gender)

【讨论】：

来自基础 R.
与底座或 dplyr::sample 一起工作得很好。谢谢。

【解决方案2】：

这个怎么样：

> df <- structure(list(gender = c("female", "male", NA, NA, "male", "male", 
+                                 "male"),
+                      Division = c("South Atlantic", "East North Central", 
+                                   "Pacific", "East North Central", "South Atlantic", "South Atlantic", 
+                                   "Pacific"),
+                      Median = c(57036.6262, 39917, 94060.208, 89822.1538,
+                                 107683.9118, 56149.3217, 46237.265),
+                      first_name = c("Marilyn", "Jeffery", "Yashvir", "Deyou", "John", "Jose", "Daniel")),
+                 row.names = c(NA, -7L), class = c("tbl_df", "tbl", "data.frame"))
> 
> Gender <- rbinom(length(df$gender), 1, 0.52)
> Gender <- factor(Gender, labels = c("female", "male"))
> 
> df$gender[is.na(df$gender)] <- as.character(Gender[is.na(df$gender)])
> 
> df$gender
[1] "female" "male"   "female" "female" "male"   "male"   "male"  
>

那是随机的，具有给定的概率。您还可以考虑使用最近的邻居、常用办公桌或类似方法来估算值。

希望对你有帮助。

【讨论】：

【解决方案3】：

只分配

df$gender[is.na(df$gender)]=sample(c("female", "male"), dim(df)[1], replace = TRUE)[is.na(df$gender)]

【讨论】：