根据发生概率填充缺失值答案

【问题标题】：Fill missing value based on probability of occurrence根据发生概率填充缺失值
【发布时间】：2017-11-06 18:37:26
【问题描述】：

这就是我的 data.table/dataframe 的样子

library(data.table)
dt <- fread('
   STATE     ZIP      
   PA        19333        
   PA        19327        
   PA        19333        
   PA        NA        
   PA        19355
   PA        19333
   PA        NA
   PA        19355
   PA        NA     
')

ZIP 列中有三个缺失值。我想根据它们在数据集中出现的概率，用ZIPs 的非缺失样本值填充缺失值。例如，ZIP 19333 在数据集中出现 3 次，ZIP 19355 在数据集中出现两次，19327 出现一次。因此，ZIP 19333 在PA 的数据集中出现的概率为 50%，19355 的概率为 33.33%，19327 的概率为 16.17%。因此，19333 在尝试填补三个缺失的 ZIP 时被选中的概率最高。最终填充的数据集可能如下所示，其中两个缺失值由“19333”填充，一个由“19355”填充：

       STATE     ZIP      
       PA        19333        
       PA        19327        
       PA        19333        
       PA        19333       
       PA        19355
       PA        19333
       PA        19333
       PA        19355
       PA        19355

我的数据集中有多个STATE。主要思想是根据给定STATE 出现 ZIP 的概率来填充缺失的 ZIP。

【问题讨论】：

您是在询问您的代码或确定缺失值的方法吗？您是否拥有多个州的数据？我假设您不想为具有相同邮政编码的所有州填写所有缺失值。我有点不清楚你到底在问什么。
@MrFlick 感谢您的评论。我做了一些编辑。希望帖子现在更清楚了。

标签： r data.table missing-data

【解决方案1】：

这是一种仅使用 sample 的方法，封装在一个便利函数中。

sample_fill_na = function(x) {
    x_na = is.na(x)
    x[x_na] = sample(x[!x_na], size = sum(x_na), replace = TRUE)
    return(x)
}

dt[, ZIP := sample_fill_na(ZIP), by = STATE]

【讨论】：

感谢您提供出色的解决方案。有时，示例函数可以为所有三个缺失值绘制 19355。有没有办法从非空 ZIP 样本中强制按比例抽取？
它根据给定状态发生 ZIP 的概率随机抽样。比例填充没有很好的定义。您想如何填写以下示例？ (1, 1, 2, 2, NA)? (1, 1, 1, 2, NA, NA)? (1, 2, 3, NA, NA)?等
明白。谢谢！
我建议阅读一些有关插补的内容 - 解决问题的一个好方法可能是重复您正在执行的任何分析n 次，每次使用不同的随机数据填充。比较结果的分布将量化您的结果对插补的敏感程度，并对它们进行平均将为您提供更可靠的估计。在任何一次运行中，您都可以使用set.seed() 来获得随机抽奖的可重复性（如果您想要不同的随机抽奖，请不要使用相同的种子！）。