使用前一天的数据填充时间序列中缺少的值-R
我有一个数据框,其中每行是不同的日期,每列是不同的时间序列。使用前一天的数据填充时间序列中缺少的值-R,r,time-series,R,Time Series,我有一个数据框,其中每行是不同的日期,每列是不同的时间序列。 表中的日期范围为2019年1月1日至2021年1月1日。 某些时间序列仅与部分日期相关,并且在周末和节假日缺少值 如何仅使用前一天的值为每列的相关日期填写每个时间序列的缺失值(如果特定列中的时间序列为2019年3月1日至2019年9月1日,我只希望填写此日期范围中的缺失值)? 此外,如果时间序列停止超过5天,然后继续,我希望停止完成,然后重新启动完成 我已尝试使用填充功能: data <- data %>% fill(
表中的日期范围为2019年1月1日至2021年1月1日。
某些时间序列仅与部分日期相关,并且在周末和节假日缺少值 如何仅使用前一天的值为每列的相关日期填写每个时间序列的缺失值(如果特定列中的时间序列为2019年3月1日至2019年9月1日,我只希望填写此日期范围中的缺失值)?
此外,如果时间序列停止超过5天,然后继续,我希望停止完成,然后重新启动完成 我已尝试使用填充功能:
data <- data %>%
fill(colnames(data))
所需输出为:
# Date time_series_1 time_series_2 time_series_3
1 01-01-2019 NA 10 8
2 02-01-2019 5 10 10
3 03-01-2019 10 10 20
4 04-01-2019 20 6 40
5 05-01-2019 30 6 40
6 06-01-2019 30 8 40
7 07-01-2019 7 NA 40
8 08-01-2019 5 NA 40
9 09-01-2019 NA NA 5
10 10-01-2019 NA NA 5
11 11-01-2019 NA NA 7
12 12-01-2019 NA NA 10
13 13-01-2019 NA NA 11
14 14-01-2019 NA NA 12
15 15-01-2019 NA NA 12
16 16-01-2019 NA NA 9
17 17-01-2019 NA NA 10
18 18-01-2019 NA NA 10
19 19-01-2019 5 NA 11
20 20-01-2019 5 NA 11
21 21-01-2019 5 NA 11
22 22-01-2019 6 NA 11
编辑
感谢@G.Grothendieck提到na.locf0
有maxgap
参数,可以直接处理5天的情况
data[-1] <- lapply(data[-1], zoo::na.locf0, maxgap = 5)
data
函数也可以与dplyr::cross
library(dplyr)
data %>% mutate(across(starts_with('time_series'), conditionally_replace_na))
这回答了你的问题吗?不,相似但不一样。它不处理时间序列停止超过5天然后重新启动的情况。
na.locf
和na.locf0
之间的主要区别是什么,区别在于na.locf0
具有默认值na.rm=FALSE
,而na.locf
默认设置为TRUE
。感谢@G.Grothendieck,maxgap
使它变得超级简单。更新了答案,将其包括在内。
conditionally_replace_na <- function(x) {
ifelse(with(rle(is.na(x)), rep(lengths, lengths)) <= 5 & is.na(x),
zoo::na.locf0(x), x)
}
data[-1] <- lapply(data[-1], conditionally_replace_na)
data
# Date time_series_1 time_series_2 time_series_3
#1 01-01-2019 NA 10 8
#2 02-01-2019 5 10 10
#3 03-01-2019 10 10 20
#4 04-01-2019 20 6 40
#5 05-01-2019 30 6 40
#6 06-01-2019 30 8 40
#7 07-01-2019 7 NA 40
#8 08-01-2019 5 NA 40
39 09-01-2019 NA NA 5
#10 10-01-2019 NA NA 5
#11 11-01-2019 NA NA 7
#12 12-01-2019 NA NA 10
#13 13-01-2019 NA NA 11
#14 14-01-2019 NA NA 12
#15 15-01-2019 NA NA 12
#16 16-01-2019 NA NA 9
#17 17-01-2019 NA NA 10
#18 18-01-2019 NA NA 10
#19 19-01-2019 5 NA 11
#20 20-01-2019 5 NA 11
#21 21-01-2019 5 NA 11
#22 22-01-2019 6 NA 11
library(dplyr)
data %>% mutate(across(starts_with('time_series'), conditionally_replace_na))