创建一个函数以将一个 data.frame 中的 NA 替换为另一个 data.frame 中的值

Question

我经常遇到需要将 data.frame 中的缺失值替换为其他一些处于不同聚合级别的 data.frame 的值的情况。因此，例如，如果我有一个充满县数据的 data.frame，我可能会将 NA 值替换为存储在另一个 data.frame 中的州值。在写了同样的merge...ifelse(is.na())yada yada 几十次之后，我决定分解并编写一个函数来执行此操作。

这是我做的，以及我如何使用它的示例：

fillNaDf <- function(naDf, fillDf, mergeCols, fillCols){
 mergedDf <- merge(naDf, fillDf, by=mergeCols)
 for (col in fillCols){
   colWithNas <- mergedDf[[paste(col, "x", sep=".")]]
   colWithOutNas <- mergedDf[[paste(col, "y", sep=".")]]
   k <- which( is.na( colWithNas ) )
   colWithNas[k] <- colWithOutNas[k]
   mergedDf[col] <- colWithNas
   mergedDf[[paste(col, "x", sep=".")]] <- NULL
   mergedDf[[paste(col, "y", sep=".")]] <- NULL
 }
 return(mergedDf)
}

## test case
fillDf <- data.frame(a = c(1,2,1,2), b = c(3,3,4,4) ,f = c(100,200, 300, 400), g = c(11, 12, 13, 14))
naDf <- data.frame( a = sample(c(1,2), 100, rep=TRUE), b = sample(c(3,4), 100, rep=TRUE), f = sample(c(0,NA), 100, rep=TRUE), g = sample(c(0,NA), 200, rep=TRUE) )
fillNaDf(naDf, fillDf, mergeCols=c("a","b"), fillCols=c("f","g") )

所以在我运行这个程序之后，我有一种奇怪的感觉，有人可能比我先解决了这个问题，并且以一种更优雅的方式解决了这个问题。这个问题有更好/更容易/更快的解决方案吗？另外，有没有办法消除我的函数中间的循环？那个循环就在那里，因为我经常在不止一列中替换 NA。而且，是的，该函数假定我们正在填充 from 的列名称相同，并且我们正在填充 to 的列名称相同，这同样适用于合并。

任何指导或重构都会有所帮助。

EDIT 12 月 2 日，我意识到我的示例中存在逻辑缺陷，我已修复。

Answer 1

真是个好问题。

这是data.table 解决方案：

# Convert data.frames to data.tables (i.e. data.frames with extra powers;)
library(data.table)
fillDT <- data.table(fillDf, key=c("a", "b"))
naDT <- data.table(naDf, key=c("a", "b"))


# Merge data.tables, based on their keys (columns a & b)
outDT <- naDT[fillDT]    
#      a b  f  g f.1 g.1
# [1,] 1 3 NA  0 100  11
# [2,] 1 3 NA NA 100  11
# [3,] 1 3 NA  0 100  11
# [4,] 1 3  0  0 100  11
# [5,] 1 3  0 NA 100  11
# First 5 rows of 200 printed.

# In outDT[i, j], on the following two lines 
#   -- i is a Boolean vector indicating which rows will be operated on
#   -- j is an expression saying "(sub)assign from right column (e.g. f.1) to 
#        left column (e.g. f)
outDT[is.na(f), f:=f.1]
outDT[is.na(g), g:=g.1]

# Just keep the four columns ultimately needed   
outDT <- outDT[,list(a,b,g,f)]
#       a b  g   f
#  [1,] 1 3  0   0
#  [2,] 1 3 11   0
#  [3,] 1 3  0   0
#  [4,] 1 3 11   0
#  [5,] 1 3 11   0
# First 5 rows of 200 printed.

Answer 2

这是您方法的稍微更简洁/更强大的版本。您可以将 for 循环替换为对 lapply 的调用，但我发现循环更易于阅读。

此函数假定mergeCols 中的任何列非 都是公平的游戏来填充它们的 NA。我不确定这是否有帮助，但我会抓住选民的机会。

fillNaDf.ju <- function(naDf, fillDf, mergeCols) {
  mergedDf <- merge(fillDf, naDf, by=mergeCols, suffixes=c(".fill",""))
  dataCols <- setdiff(names(naDf),mergeCols)
  # loop over all columns we didn't merge by
  for(col in dataCols) {
    rows <- is.na(mergedDf[,col])
    # skip this column if it doesn't contain any NAs
    if(!any(rows)) next
    rows <- which(rows)
    # replace NAs with values from fillDf
    mergedDf[rows,col] <- mergedDf[rows,paste(col,"fill",sep=".")]
  }
  # don't return ".fill" columns
  mergedDf[,names(naDf)]
}

Answer 3

我的偏好是从合并中提取执行匹配的代码并自己执行，这样我就可以保持原始数据帧的顺序不变，无论是按行还是按列。我还使用矩阵索引来避免任何循环，尽管这样做我用修改后的 fillCols 创建了一个新的数据框，并用它替换了原始的列；我以为我可以直接填写它，但显然你不能使用矩阵排序来替换 data.frame 的一部分，所以如果在某些情况下循环名称会更快，我不会感到惊讶。

使用矩阵索引：

fillNaDf <- function(naDf, fillDf, mergeCols, fillCols) {
  fillB <- do.call(paste, c(fillDf[, mergeCols, drop = FALSE], sep="\r"))
  naB <- do.call(paste, c(naDf[, mergeCols, drop = FALSE], sep="\r"))
  na.ind <- is.na(naDf[,fillCols])
  fill.ind <- cbind(match(naB, fillB)[row(na.ind)[na.ind]], col(na.ind)[na.ind])
  naX <- naDf[,fillCols]
  fillX <- fillDf[,fillCols]
  naX[na.ind] <- fillX[fill.ind]
  naDf[,colnames(naX)] <- naX
  naDf
}

有一个循环：

fillNaDf2 <- function(naDf, fillDf, mergeCols, fillCols) {
  fillB <- do.call(paste, c(fillDf[, mergeCols, drop = FALSE], sep="\r"))
  naB <- do.call(paste, c(naDf[, mergeCols, drop = FALSE], sep="\r"))
  m <- match(naB, fillB)
  for(col in fillCols) {
    fix <- which(is.na(naDf[,col]))
    naDf[fix, col] <- fillDf[m[fix],col]
  }
  naDf
}