用按时间和治疗分组的变量的平均值替换 NA

Question

我有一个数据框，类似于下面的数据框（参见 dput），记录变量对治疗的响应：

df <- structure(list( time = c(0, 0, 0, 0, 0, 0, 14, 14, 14, 14, 14, 14, 33, 33, 33, 33, 33, 33, 90, 90, 90, 90, 90, 90),
                      trt = structure(c(2L, 2L, 2L, 1L, 1L, 1L, 2L, 2L, 2L, 1L, 1L, 1L, 2L, 2L, 2L, 1L, 1L, 1L, 2L, 2L, 2L, 1L, 1L, 1L),
                      .Label = c("1", "2"), class = "factor"), 
               A1 = c(6.301, 5.426, 5.6021, NA, NA, NA, 6.1663, 6.426, 6.8239, 2.301, 4.7047, 2.301, 5.8062, 4.97, 4.97, 2.301, 2.301, 2.301, 2.301, 2.301, 2.301, 2.301, 2.301, 2.301),
               B1 = c(5.727, 5.727, 5.4472, NA, NA, NA, 6.6021, 7.028, 7.1249, 3.028, 3.1663, 3.6021, 5.727, 5.2711, 5.2389, 3.3554, 3.9031, 4.2389, 3.727, 3.6021, 3.6021, 3.8239, 3.727, 3.426)),
               row.names = c(NA, -24L), class = c("tbl_df", "tbl", "data.frame"))

看起来是这样的：

    time trt      A1    B1
   <dbl> <fct> <dbl> <dbl>
 1     0 2      6.30  5.73
 2     0 2      5.43  5.73
 3     0 2      5.60  5.45
 4     0 1     NA    NA   
 5     0 1     NA    NA   
 6     0 1     NA    NA   
 7    14 2      6.17  6.60
 8    14 2      6.43  7.03
 9    14 2      6.82  7.12
10    14 1      2.30  3.03

在我们的实验中，我们并不总是在时间 == 0 时记录所有处理的值。我想在（且仅在）时间 == 0 时用 trt 的平均值替换任何缺失值 (NA) 2'组在时间== 0。所以A1中的NA都变成5.78，B1中的NA都变成5.63。

使用来自here 和here 以及其他一些人的答案，我已经能够提出以下建议：

df %>% 
  mutate_if(is.numeric, funs(if_else(is.na(.),if_else(time == 0, 0, .), .)))

这会将时间 == 0 时的 NA 替换为 0（这对于我的一些变量很有用，其中在时间 == 0 的任何处理中都没有数据，但不是我在这里所追求的）。我也试过这个：

df %>% 
  mutate_if(is.numeric, funs(if_else(is.na(.),if_else(time == 0, mean(., na.rm = TRUE), .), .)))

这更接近我想要的，但是是对整个列/变量的值进行平均。当时间 == 0 时，我可以让它只平均来自治疗“2”的那些值吗？

Answer 1

由于我无法访问 dplyr 的开发版本以使用新的 cross() 函数，因此我结合了上述两个答案的元素以给出我想要的结果：

df %>%
  mutate_if(is.numeric, funs(if_else(is.na(.) & time == 0, mean(.[trt == "2" & time == 0]), .)))

从长远来看，cross() 似乎旨在替换 _if 函数 (see here)，但此解决方案同时有效。

Answer 2

如果我们添加group_by(time)，我们可以将缺失的列重新编码为time == 0 的观测值的特定时间平均值，如下所示。

df <- structure(list( time = c(0, 0, 0, 0, 0, 0, 14, 14, 14, 14, 14, 14, 33, 33, 33, 33, 33, 33, 90, 90, 90, 90, 90, 90),
                      trt = structure(c(2L, 2L, 2L, 1L, 1L, 1L, 2L, 2L, 2L, 1L, 1L, 1L, 2L, 2L, 2L, 1L, 1L, 1L, 2L, 2L, 2L, 1L, 1L, 1L),
                                      .Label = c("1", "2"), class = "factor"), 
                      A1 = c(6.301, 5.426, 5.6021, NA, NA, NA, 6.1663, 6.426, 6.8239, 2.301, 4.7047, 2.301, 5.8062, 4.97, 4.97, 2.301, 2.301, 2.301, 2.301, 2.301, 2.301, 2.301, 2.301, 2.301),
                      B1 = c(5.727, 5.727, 5.4472, NA, NA, NA, 6.6021, 7.028, 7.1249, 3.028, 3.1663, 3.6021, 5.727, 5.2711, 5.2389, 3.3554, 3.9031, 4.2389, 3.727, 3.6021, 3.6021, 3.8239, 3.727, 3.426)),
                row.names = c(NA, -24L), class = c("tbl_df", "tbl", "data.frame"))

library(dplyr)
df %>% group_by(time)  %>%
     mutate(A1 = if_else(is.na(A1) & time == 0,mean(A1,na.rm=TRUE),A1),
            B1 = if_else(is.na(B1) & time == 0,mean(B1,na.rm=TRUE),B1))

...和输出：

# A tibble: 24 x 4
# Groups:   time [4]
    time trt      A1    B1
   <dbl> <fct> <dbl> <dbl>
 1     0 2      6.30  5.73
 2     0 2      5.43  5.73
 3     0 2      5.60  5.45
 4     0 1      5.78  5.63
 5     0 1      5.78  5.63
 6     0 1      5.78  5.63
 7    14 2      6.17  6.60
 8    14 2      6.43  7.03
 9    14 2      6.82  7.12
10    14 1      2.30  3.03
# ... with 14 more rows
> 

更新：跨多列的通用解决方案

根据我回答中的 cmets，这是一个使用 dplyr 的开发版本访问新的 across() 函数的解决方案。

devtools::install_github("tidyverse/dplyr") # needed for across()
# get all columns except time and trt
theColumns <- colnames(df)[!(colnames(df) %in% c("time","trt"))]
df %>% group_by(time)  %>%
     mutate(across(theColumns,~if_else(is.na(.) & time == 0,mean(.,na.rm=TRUE),.)))

...和输出：

# Groups:   time [4]
    time trt      A1    B1
   <dbl> <fct> <dbl> <dbl>
 1     0 2      6.30  5.73
 2     0 2      5.43  5.73
 3     0 2      5.60  5.45
 4     0 1      5.78  5.63
 5     0 1      5.78  5.63
 6     0 1      5.78  5.63
 7    14 2      6.17  6.60
 8    14 2      6.43  7.03
 9    14 2      6.82  7.12
10    14 1      2.30  3.03
# … with 14 more rows
> 

Answer 3

我想我会为此使用基础 R 中的索引：

within(df, {A1[is.na(A1) & time == 0] <- mean(A1[trt == "2" & time == 0])
            B1[is.na(B1) & time == 0] <- mean(B1[trt == "2" & time == 0])})
#> # A tibble: 24 x 4
#>     time trt      A1    B1
#>    <dbl> <fct> <dbl> <dbl>
#>  1     0 2      6.30  5.73
#>  2     0 2      5.43  5.73
#>  3     0 2      5.60  5.45
#>  4     0 1      5.78  5.63
#>  5     0 1      5.78  5.63
#>  6     0 1      5.78  5.63
#>  7    14 2      6.17  6.60
#>  8    14 2      6.43  7.03
#>  9    14 2      6.82  7.12
#> 10    14 1      2.30  3.03
#> # ... with 14 more rows

^{由reprex package (v0.3.0) 于 2020-05-15 创建}