如何根据类估算数据

Question

大家好，我正在寻找一种优雅的方式来在我的数据集中估算 NA：

Sex Age
M   20
M   21
F   30
M   NA
F   26
F   29
F   NA

我想为每种性别估算不同的年龄平均值。我假设女性和男性的年龄分布略有不同。不幸的是，如果不创建新列然后再次放入数据集中，我认为不可能做到这一点。即使我走这条路它也行不通，我认为我想多了这个问题：

    males <- train[train[, "Sex"]=="male", ]
    females <- train[train[, "Sex"]=="female", ] 

    mf <- mean(train$Age, na.rm = TRUE)  
    mm <- mean(train$Age, na.rm = TRUE)

    train[train$Age == NA & train$Sex == "male", "Age"] <- mf 

    Error in '[<-.data.frame`(`*tmp*`, males$Age == NA & males$Sex == "male",  
    : missing values are not allowed in subscripted assignments of data frames

请问有什么建议吗？

Answer 1

要检查 R 中的值是否为 NA，您必须使用 is.na(something) 函数。直接比较something==NA或something=="NA"会报错。

mm <- mean(train$Age[train$Sex=="male"], na.rm = TRUE)
mf <- mean(train$Age[train$Sex=="female"] , na.rm = TRUE)

train$Age[is.na(train$Age) & train$Sex=="male"] <- mm
train$Age[is.na(train$Age) & train$Sex=="female"] <- mf

Answer 2

如果您想要更多合理的值而不仅仅是每个缺失值的平均值，您可以考虑使用包mice：

df_old <- data.frame(Sex = c(rep("M", 500), rep("F", 500)),
                 Age = round(c(rnorm(500, 35, 2), rnorm(500, 25, 2))))

df_NA <- data.frame(Sex = sample(c("M", "F"), 10, rep = T),
                    Age = NA)

df_old %>% 
  group_by(Sex) %>%
  summarise(Mean = mean(Age))

以下是两种性别的方法：

# A tibble: 2 x 2
  Sex    Mean
  <fct> <dbl>
1 F      24.9
2 M      34.9

现在结合两个数据框并使用mice 估算值：

df <- rbind(df_old, df_NA)

library(mice)
df_imp <- complete(mice(df, m=5, maxit=50, meth='pmm', seed=500), 1)
cbind(tail(df, n = 10), tail(df_imp, n = 10))

我们使用预测均值匹配算法来估算缺失值。还有其他几种可用的算法 (?mice)。 最后一行显示了估算的值：

       Sex Age Sex Age
1001   M  NA   M  30
1002   F  NA   F  24
1003   M  NA   M  33
1004   M  NA   M  33
1005   F  NA   F  25
1006   M  NA   M  35
1007   M  NA   M  36
1008   M  NA   M  36
1009   M  NA   M  37
1010   F  NA   F  27