r data.table为多组列输入缺失值

我想为几组列计算缺少的值。对于数值变量，我想使用中位数来插补

NA

，对于分类变量，我想使用模式来插补

NA

。我确实搜索了如何对不同的列分别进行插补，但没有找到

我的数据很大，有很多列，所以我把它放在data.table中。由于我不确定如何在data.table中执行此操作，所以我尝试在代码基R下方执行此操作。我尝试在代码下方执行此操作，但不知何故，我似乎弄乱了列名标识

我的数据很大，有多个变量。我在vectorvar\u num中存储数值变量，在vectorvar\u chr中存储分类变量

请参阅下面的示例代码-

library(data.table)
set.seed(1200)
id <- 1:100
bills <- sample(c(1:20,NA),100,replace = T)
nos <- sample(c(1:80,NA),100,replace = T)
stru <- sample(c("A","B","C","D",NA),100,replace = T)
type <- sample(c(1:7,NA),100,replace = T)
value <- sample(c(100:1000,NA),100,replace = T)

df1 <- as.data.table(data.frame(id,bills,nos,stru,type,value))
class(df1)

var_num <- c("bills","nos","value")
var_chr <- c("stru","type")

impute <- function(x){
  #print(x)
  if(colnames(x) %in% var_num){
    x[is.na(x)] = median(x,na.rm = T)
  } else if (colnames(x) %in% var_chr){
    x[is.na(x)] = mode(x)
  } else {
    x #if not part of var_num and var_chr then nothing needs to be done and return the original value
  }
  return(x)
}


df1_imp_med <- data.frame(apply(df1,2,impute))

库（data.table）
种子集（1200）
id正如注释中所建议的，您可以在data.table中为set

组合使用

，以便更快地插补：

for(k in names(df1)){

      if(k %in% var_num){

        # impute numeric variables with median
        med <- median(df1[[k]],na.rm = T)
        set(x = df1, which(is.na(df1[[k]])), k, med)

    } else if(k %in% var_char){

        ## impute categorical variables with mode
        mode <- names(which.max(table(df1[[k]])))
        set(x = df1, which(is.na(df1[[k]])), k, mode)
    }
}

for（名称中的k（df1））{
如果（k%在%var\u num中）{
#用中位数输入数值变量
med正如注释中所建议的，您可以在data.table中对set
组合使用
，以实现更快的插补：

for(k in names(df1)){

      if(k %in% var_num){

        # impute numeric variables with median
        med <- median(df1[[k]],na.rm = T)
        set(x = df1, which(is.na(df1[[k]])), k, med)

    } else if(k %in% var_char){

        ## impute categorical variables with mode
        mode <- names(which.max(table(df1[[k]])))
        set(x = df1, which(is.na(df1[[k]])), k, mode)
    }
}

for（名称中的k（df1））{
如果（k%在%var\u num中）{
#用中位数输入数值变量
med为您的两个用例编写一个函数可能值得，也可能不值得。下面是一个直接（但具体）的解决方案——请注意，
模式
通过阅读
？模式
，可能不会像您预期的那样运行

library(data.table)

set.seed(1200)
df1 <- data.table(
id = 1:100,
bills = sample(c(1:20,NA),100,replace = T),
nos = sample(c(1:80,NA),100,replace = T),
stru = sample(c("A","B","C","D",NA),100,replace = T),
type = sample(c(as.character(1:7),NA),100,replace = T),
value = sample(c(100:1000,NA),100,replace = T)
)

# Function to calculate the most frequent object in a vector:
getMode <- function(myvector) {
    mytable <- table(myvector)
    return(names(mytable)[which.max(mytable)])
}

# replace na values by reference, with `:=`
df1[is.na(bills), bills := median(df1[,bills], na.rm=T)]
df1[is.na(nos), nos := median(df1[,nos], na.rm=T)]
df1[is.na(value), value := median(df1[,value], na.rm=T)]
df1[is.na(stru), stru := getMode(df1[,stru])]
df1[is.na(type), type := getMode(df1[,type])]

库（data.table）
种子集（1200）
df1为您的两个用例编写一个函数可能值得，也可能不值得。下面是一个直接（但具体）的解决方案——请注意，
模式
通过阅读
？模式
，可能不会像您预期的那样运行

library(data.table)

set.seed(1200)
df1 <- data.table(
id = 1:100,
bills = sample(c(1:20,NA),100,replace = T),
nos = sample(c(1:80,NA),100,replace = T),
stru = sample(c("A","B","C","D",NA),100,replace = T),
type = sample(c(as.character(1:7),NA),100,replace = T),
value = sample(c(100:1000,NA),100,replace = T)
)

# Function to calculate the most frequent object in a vector:
getMode <- function(myvector) {
    mytable <- table(myvector)
    return(names(mytable)[which.max(mytable)])
}

# replace na values by reference, with `:=`
df1[is.na(bills), bills := median(df1[,bills], na.rm=T)]
df1[is.na(nos), nos := median(df1[,nos], na.rm=T)]
df1[is.na(value), value := median(df1[,value], na.rm=T)]
df1[is.na(stru), stru := getMode(df1[,stru])]
df1[is.na(type), type := getMode(df1[,type])]

库（data.table）
种子集（1200）
df1我设法找到了一个有效的解决方案。其中一个关键问题是引用var_num和var_chr中指定的变量进行数值和分类插补。这些向量中未指定的变量不需要插补

我面临的挑战是在函数中引用它们。我放弃了编写函数的想法，并设法编写了一个for循环，如下所示-

df1 <- as.data.frame(df1)

for (var in 1:ncol(df1)) {
  if (names(df1[var]) %in% var_num) {
    df1[is.na(df1[,var]),var] <- median(df1[,var], na.rm = TRUE)
  } else if (names(df1[var]) %in% var_chr) {
    df1[is.na(df1[,var]),var] <- names(which.max(table(df1[,var])))
  }
}

df1我设法得到了一个有效的解决方案。其中一个关键问题是引用var_num和var_chr中指定的变量进行数值和分类插补。这些向量中未指定的变量不需要插补

我面临的挑战是在函数中引用它们。我放弃了编写函数的想法，并设法编写了一个for循环，如下所示-

df1 <- as.data.frame(df1)

for (var in 1:ncol(df1)) {
  if (names(df1[var]) %in% var_num) {
    df1[is.na(df1[,var]),var] <- median(df1[,var], na.rm = TRUE)
  } else if (names(df1[var]) %in% var_chr) {
    df1[is.na(df1[,var]),var] <- names(which.max(table(df1[,var])))
  }
}

df1使用
lappy的另一个选项

lapply(c(var_num, var_chr), function(x){ 
  imp.fun <- ifelse(x %in% var_num
                   , function(x) median(x, na.rm = T) 
                   , function(x) names(which.max(table(x))))
  df1[is.na(df1[[x]]), (x) := imp.fun(df1[[x]])]})

lappy（c（var_num，var_chr），函数（x）{
imp.fun使用
lappy的另一个选项

lapply(c(var_num, var_chr), function(x){ 
  imp.fun <- ifelse(x %in% var_num
                   , function(x) median(x, na.rm = T) 
                   , function(x) names(which.max(table(x))))
  df1[is.na(df1[[x]]), (x) := imp.fun(df1[[x]])]})

lappy（c（var_num，var_chr），函数（x）{
如果你使用的是<代码>数据。表< /代码>，你应该考虑利用它的功能，如引用更新，使用<代码>：= <代码/ >附件，或者在这种情况下可能更适合，<代码> < /COD> >代码> SET>代码>重复几个列。如果你使用<代码>数据。表< /Cord>你应该考虑利用它。对于它的功能，例如使用
：=
赋值进行引用更新，或者在本例中可能更适合使用
for
+
设置
以迭代多个列。感谢您的回答。我想引用var_num和var_chr中指定的变量……您的解决方案将对所有列进行插补。但是是的，它是我会是一个很好的参考。这是我不能马上想出的一般解决方案；）请注意，对于OP，使用这种方法，
df1
的“type”列需要更改为一个因子或字符来计算模式，而不是中值（因为它是一个数字向量，但需要模式）@user1412我以前将其变得更通用，这样您就不需要硬编码列名，只需更新答案。@YOLO谢谢！！谢谢您的回答。我想引用var_num和var_chr中指定的变量…..您的解决方案将对所有列进行插补。但是，是的，这将是一个很好的参考。下面是General所有解决方案我无法立即想出；）请注意，对于OP，使用此方法，
df1
的“type”列需要更改为因子或字符，以计算模式而不是中值（因为它是一个数字向量，但需要模式）@user1412我以前将其变得更通用，这样您就不需要硬编码列名，只需更新答案即可。@YOLO谢谢！！谢谢您的回答。是的，我知道在R中使用不同的模式，并且使用名称的组合（这（表…见我的答案。正如你所提到的，这将是一个漫长的过程，因为有很多变量…谢谢你的回答。是的，我得到的模式在R中是不同的，使用名称的组合（其中（表…见我的答案。正如你所提到的，这将是一个漫长的过程，因为有很多变量…代码没有运行，但有类似的
imp=df1[，c（lappy（.SD[，…var_num]，media，na.rm=TRUE），lappy（.SD[，…var_chr]，getMode）]；for（k in c（var_num，var_chr））df1[is.na（get（k）），（k）：=imp[[k]]
（从caw的答案中借用的getMode）代码没有运行，但有类似的
imp=df1[，c（lappy（.SD[，var_num]，median，na.rm=TRUE），lappy（.SD[，…var_chr]，getMode）]；for（k in c（var_num，var_chr））df1[is.na（get（k）），（k）：=imp[[k]][/code>（从caw的答案中借用的getMode）