r-如何用其他列的值估算多个列中的NA

Question

我有一个包含200个变量的数据集，这些变量都有一些缺失的值。200个变量中的每一个都有另一列，我想用它来估算缺失的值。

示例数据：

have <- data.frame(ID = c(1:10), var1 = c(runif(7), NA, NA, NA), var1_fill = runif(10))
ID       var1     var1_fill
1   1 0.68783885   0.140508053
2   2 0.74672512   0.001270443
3   3 0.09607276   0.917535359
4   4 0.03222775   0.363960434
5   5 0.03560543   0.901288399
6   6 0.46595122   0.725499220
7   7 0.42781890   0.781295939
8   8         NA   0.737999219
9   9         NA   0.456795266
10 10         NA   0.314562042

如果我想估算一列，我会使用以下代码：

have$var1_imputed <- ifelse(is.na(have$var1) == T, have$var1_fill, have$var1)
ID       var1     var1_fill var1_imputed
1   1 0.68783885   0.140508053   0.68783885
2   2 0.74672512   0.001270443   0.74672512
3   3 0.09607276   0.917535359   0.09607276
4   4 0.03222775   0.363960434   0.03222775
5   5 0.03560543   0.901288399   0.03560543
6   6 0.46595122   0.725499220   0.46595122
7   7 0.42781890   0.781295939   0.42781890
8   8         NA   0.737999219   0.73799922
9   9         NA   0.456795266   0.45679527
10 10         NA   0.314562042   0.31456204

我很难弄清楚如何为200个变量编写一个循环，因为我不能使用$来引用列名。在实际数据集中，变量名不遵循任何模式，如var1、var2等。然而，原始200个变量位于第7列至第206列，用于相应插补的列为207列至第406列。插补列也与原始列同名，但有一个额外的后缀，如示例中所示(var1和var1_fill(。

Answer 1

使用fcoalesce的data.table选项

setDT(df)[
,
setNames(
Map(fcoalesce, .SD[, 7:206], .SD[, 207:406]),
paste0(names(.SD[, 7:206]), "_imputed")
)
]

Answer 2

可以使用执行以下操作的for-loop结构：

• 对数值类列求值
• 用整列平均值替换NA行

for(i in 1:ncol(df)){
if(is.numeric(df[[i]])){

df[is.na(df[,i]), i] <- mean(df[,i], na.rm = TRUE)
}
else {
next
}
}

控制台输出：

#   ID       var1 var1_fill
#1   1 0.01655469 0.5765553
#2   2 0.36868666 0.7912901
#3   3 0.80009094 0.7261624
#4   4 0.81749627 0.1174201
#5   5 0.10803860 0.5773327
#6   6 0.95316825 0.5261833
#7   7 0.34709855 0.2248959
#8   8 0.48730485 0.9822904
#9   9 0.48730485 0.8536809
#10 10 0.48730485 0.8169835

数据

df <- structure(list(ID = 1:10, var1 = c(0.212889024056494, 0.708460660418496, 
0.135542315198109, 0.928928294451907, 0.893806081730872, 0.853342124959454, 
0.226619977504015, NA, NA, NA), var1_fill = c(0.200933166779578, 
0.939760707085952, 0.201024484355003, 0.843706431100145, 0.749990617623553, 
0.51712017855607, 0.521659950027242, 0.168859238736331, 0.826423087157309, 
0.930347595131025)), class = "data.frame", row.names = c(NA, 
-10L))