Julia 用以前的非缺失值填充“缺失”值的有效方法是什么？

我有一个向量

using Missings
v = allowmissing(rand(100))
v[rand(100) .< 0.1] .= missing

---

但我发现对于大的向量来说速度很慢。用以前的非缺失值填充缺失值的优雅而有效的方法是什么？

如果第一个值缺失，并且我无法执行代码，您需要一个init值。尽管如此，我的尝试如下：

function replace_missing!(v,init=zero(eltype(v)))
    function reduce_missing(n0,n1)
        if ismissing(n1)
            return n0
        else
            return n1
        end
    end
    v[1] = reduce_missing(init,v[1])
    for i = 2:length(v)
        v[i] = reduce_missing(v[i-1],v[i])
    end
return v
end
using Missings
v = allowmissing(rand(100))
v[rand(100) .< 0.1] .= missing
v = replace_missing!(v)
v = disallowmissing(v)

---

您需要一个init值，以防第一个值丢失，并且我无法执行您的代码。尽管如此，我的尝试如下：

function replace_missing!(v,init=zero(eltype(v)))
    function reduce_missing(n0,n1)
        if ismissing(n1)
            return n0
        else
            return n1
        end
    end
    v[1] = reduce_missing(init,v[1])
    for i = 2:length(v)
        v[i] = reduce_missing(v[i-1],v[i])
    end
return v
end
using Missings
v = allowmissing(rand(100))
v[rand(100) .< 0.1] .= missing
v = replace_missing!(v)
v = disallowmissing(v)

---

简单快速的解决方案：

replace_missing!(v) = accumulate!((n0,n1) -> ismissing(n1) ? n0 : n1, v, v, init=zero(eltype(v)))

---

简单快捷的解决方案：

replace_missing!(v) = accumulate!((n0,n1) -> ismissing(n1) ? n0 : n1, v, v, init=zero(eltype(v)))

---

我的解决方案现在起作用了。但不确定是否更有效。在我的初步测试中，您的解决方案似乎更快：我的解决方案正在运行。但不确定是否更有效。在我的初步测试中，您的解决方案似乎更快：