我有以下数据框 df，我想为每一行添加一个与最近的非 NA 值的距离的列。
df <- data.frame(x = 1:20)
df[c(1, 3, 4, 5, 11, 14, 15, 16), "x"] <- NA
换句话说，我正在寻找以下值：
df$distance <- c(1, 0, 1, 2, 1, 0, 0, 0, 0, 0, 1, 0, 0, 1, 2, 1, 0, 0, 0, 0)
如何自动执行此操作？
【问题讨论】：
让x 成为包含NA 的向量，你的问题是
a <- which(!is.na(x))
b <- which(is.na(x))
为每个b[i] 查找min(abs(a - b[i]))。
使用 R 代码高效不容易完成这类任务。用编译后的代码编写循环通常是更好的选择；除非某些包中的某些功能已经为我们完成了这项工作。
以下是一些幼稚但直接的解决方案。
如果x不太长，我们可以使用outer：
distance <- numeric(length(x))
distance[is.na(x)] <- apply(abs(outer(a, b, "-")), 2L, min)
如果它很长并且outer的内存使用成为问题，我们可能会这样做
distance <- numeric(length(x))
distance[is.na(x)] <- sapply(b, function (bi) min(abs(bi - a)))
注意，就算法而言，没有一种方法是真正有效的。
【讨论】：
这是使用rle 和rank 的另一种方法：
library(dplyr)
library(magrittr)
df <- data.frame(x=seq(1, 20))
df[c("1", "3", "4", "5", "11", "14", "15", "16"), 1] <- NA
rle.len <- df$x %>% is.na %>% rle %$% lengths
df %>%
mutate(na.seq=rle.len %>% seq_along %>% rep(rle.len)) %>%
group_by(na.seq) %>%
mutate(distance=ifelse(is.na(x), pmin(rank(na.seq, ties.method = "first"),
rank(na.seq, ties.method = "last")), 0))
x na.seq distance
1 NA 1 1
2 2 2 0
3 NA 3 1
4 NA 3 2
5 NA 3 1
【讨论】：
您可以使用findInterval。首先，找到NA 和non-NA 值的索引，并初始化一个距离列：
na <- which(is.na(df$x))
non_na <- which(!is.na(df$x))
df$distance2 <- 0
然后，使用findInterval 和非NA 索引的中点作为断点，找出NA 索引落入哪个区间。使用区间提取对应的非NA 索引，计算与@987654329 的绝对差@indices，并在NAindices 处分配这些：
df$distance2[na] <- abs(na - non_na[findInterval(na, (non_na[-length(non_na)] + non_na[-1]) / 2) + 1])
df
# x distance distance2
# 1 NA 1 1
# 2 2 0 0
# 3 NA 1 1
# 4 NA 2 2
# 5 NA 1 1
# 6 6 0 0
# 7 7 0 0
# 8 8 0 0
# 9 9 0 0
# 10 10 0 0
# 11 NA 1 1
# 12 12 0 0
# 13 13 0 0
# 14 NA 1 1
# 15 NA 2 2
# 16 NA 1 1
# 17 17 0 0
# 18 18 0 0
# 19 19 0 0
# 20 20 0 0
【讨论】：
一种方法是使用raster 包中的distance()，在使用包将矩阵转换为使用raster() function 的RasterLayer 对象之后。
这个包是为地图设计的，所以当你使用raster()时，你的对象会有单位、分辨率等。因此，当你使用distance()时，距离一个元素的距离可能非常大非 NA（对我来说是 15796.35）。只需除以这个数量（可能是 round() 由于舍入错误）即可得到答案。
例如，如果我有一个名为a1 的 NA 数组对象：
> a1 = array(
c(
c(1, 5, 6, NA, 1, 2, 5),
c(3, 4, NA, NA, NA, 8, 1),
c(5, 1, 7, NA, 2, 3, 7),
c(8, 1, 1, 2, 3, 6, 2)
),
c(7, 4)
)
> r1 = raster(a1)
> d1 = distance(r1)
> as.matrix(d1)
[,1] [,2] [,3] [,4]
[1,] 0.00 0.00 0.00 0
[2,] 0.00 0.00 0.00 0
[3,] 0.00 15796.35 0.00 0
[4,] 15796.33 31592.66 15796.33 0
[5,] 0.00 15796.33 0.00 0
[6,] 0.00 0.00 0.00 0
[7,] 0.00 0.00 0.00 0
> round(
as.matrix(d1) / 15796.35,
0
)
[,1] [,2] [,3] [,4]
[1,] 0 0 0 0
[2,] 0 0 0 0
[3,] 0 1 0 0
[4,] 1 2 1 0
[5,] 0 1 0 0
[6,] 0 0 0 0
[7,] 0 0 0 0
你的答案是什么。不过，我不知道distance() 函数背后的代码效率如何，所以我不知道它是否需要一段时间。
编辑：在具有 29000 个 NA 的数组对象上进行了测试，需要很长时间。我建议您仅将其用于具有少量 NA 的对象。
【讨论】：