Início / coding / Perguntas / 79030831
Accepted
mto23
Asked: 2024-09-27 18:00:42 +0800 CST

Substituindo NA's dentro de um conjunto de valores semelhantes

  • 772

Tenho uma coluna em um conjunto de dados parecida com esta:

cluster_id
1
1
1
1
NA
1
NA
NA
2
NA
2
NA
3
NA
NA
3


cluster_id <- c("1","1","1","1","NA","1","NA","NA","2","NA","2","NA","3","NA","NA","3")

A ordem já está predefinida antes de usar uma coluna de tempo. O que eu quero é substituir os NA's que estão dentro de cada ID de cluster, ou seja, se houver uma linha com 2, depois um NA e depois um 2 novamente, eu quero que esse NA se torne 2. Os NA's entre os números permanecem como NA's. Exemplo:

cluster_id   cluster_id_new
1            1
1            1
1            1
1            1
NA           1
1            1
NA           NA
NA           NA
2            2
NA           2
2            2
NA           NA
3            3
NA           3
NA           3
3            3

Encontrei a zoo::na.locffunção neste post , que parece estar próxima do que eu quero, mas também preciso levar em consideração o valor após o NA. Alguma ideia?

5 respostas

  1. Best Answer

    Atualização: obrigado a @Darren Tsai (que forneceu uma versão melhor):

    library(dplyr)
library(tidyr)

tibble(cluster_id) %>% 
  mutate(down = cluster_id, up = cluster_id) %>% 
  fill(down, .direction = "down") %>% 
  fill(up, .direction = "up") %>% 
  mutate(cluster_id_new = if_else(down == up, down, NA)) %>% 
  select(-c(down, up))

    Resposta original: Aqui está tidyverseuma maneira de usar principalmente fill:

    library(dplyr)
library(tidyr)

tibble(cluster_id) %>%
  mutate(helper = row_number(),
         filldown = fill(., cluster_id, .direction = "down")$cluster_id,
         fillup = fill(., cluster_id, .direction = "up")$cluster_id,
         cluster_id_new = ifelse(filldown == fillup, filldown, NA_real_)) %>%
  select(cluster_id, cluster_id_new)

    cluster_id cluster_id_new
        <dbl>          <dbl>
 1          1              1
 2          1              1
 3          1              1
 4          1              1
 5         NA              1
 6          1              1
 7         NA             NA
 8         NA             NA
 9          2              2
10         NA              2
11          2              2
12         NA             NA
13          3              3
14         NA              3
15         NA              3
16          3              3
    • 6

  2. O collapsepacote tem tanto a na_locfquanto a na_focb. Você pode fazer uma passagem com cada um e então verificar se há discrepâncias.

    Se seus valores NA forem armazenados como caracteres e não NA_character_, primeiro você precisa converter para NA_character_.

    A solução também depende de como você quer lidar com "NA"s iniciais/finais. A primeira opção os mantém.

    cluster_id <- c("NA","1","1","1","NA","1","NA","NA","2","NA","2","NA","3","NA","NA","3","NA")

library(collapse)

i <- which(cluster_id == "NA")
cluster_id[i] <- NA
cluster_id_filled <- na_locf(cluster_id)
cluster_id_filled[-which(cluster_id_filled == na_focb(cluster_id))] <- "NA"
cluster_id[i] <- "NA" # restore the original vector
cluster_id_filled
#>  [1] "NA" "1"  "1"  "1"  "1"  "1"  "NA" "NA" "2"  "2"  "2"  "NA" "3"  "3"  "3"  "3"  "NA"

    Esta segunda solução usa um único forloop e preenche os "NA"s iniciais/finais.

    cluster_id_filled <- cluster_id
j <- 0
for (i in seq_along(cluster_id)) {
  if (cluster_id[i] == "NA") {
    j <- j + 1
  } else if (j != 0) {
    # use `!isFALSE` to handle leading "NA"s
    if (!isFALSE(cluster_id[i] == cluster_id[i - j - 1])) {
      cluster_id_filled[(i - j):(i - 1)] <- cluster_id[i]
    }
    j <- 0
  }
}
# handle trailing "NA"s
if (j != 0) cluster_id_filled[(i - j + 1):i] <- cluster_id_filled[i - j]
cluster_id_filled
#>  [1] "1"  "1"  "1"  "1"  "1"  "1"  "NA" "NA" "2"  "2"  "2"  "NA" "3"  "3"  "3"  "3"  "3"

    Se seus valores de NA forem realmente NA, será um pouco mais fácil.

    cluster_id <- c(NA, 1, 1, 1, 1, NA, 1, NA, NA, 2, NA, 2, NA, 3, NA, NA, 3, NA)
cluster_id_filled <- na_locf(cluster_id)
cluster_id_filled[-which(cluster_id_filled == na_focb(cluster_id))] <- NA
cluster_id_filled
#>  [1] NA  1  1  1  1  1  1 NA NA  2  2  2 NA  3  3  3  3 NA
    • 6

  3. Aqui está uma opção base R com rle+cumsum

    cluster_id_new <- with(
    rle(cluster_id),
    {
        idx <- values != "NA"
        grp <- cumsum(c(TRUE, head(values[idx], -1) != tail(values[idx], -1)))
        rep(ave(values,
            cummax(replace(idx, which(idx), grp)),
            FUN = \(x) {
                u <- unique(x[x != "NA"])
                if (tail(x, 1) == "NA") {
                    c(rep(u, length(x) - 1), "NA")
                } else {
                    u
                }
            }
        ), lengths)
    }
)

    tal que

    > data.frame(cluster_id, cluster_id_new)
   cluster_id cluster_id_new
1           1              1
2           1              1
3           1              1
4           1              1
5          NA              1
6           1              1
7          NA             NA
8          NA             NA
9           2              2
10         NA              2
11          2              2
12         NA             NA
13          3              3
14         NA              3
15         NA              3
16          3              3
    • 6

  4. 1) na.approx Presumivelmente, os IDs do cluster são inteiros e parecem ser incrementados em 1, portanto, realizar a interpolação linear e testar o resultado para inteiros é suficiente para determinar se o resultado deve ser NA ou não.

    library(zoo)

x <- cluster_id
a <- na.approx(as.numeric(ifelse(x == "NA", NA, x)), na.rm = FALSE)
data.frame(cluster_id,
           cluster_id_new = ifelse(a == as.integer(a), a, NA)
)

    dando:

       cluster_id cluster_id_new
1           1              1
2           1              1
3           1              1
4           1              1
5        <NA>              1
6           1              1
7        <NA>             NA
8        <NA>             NA
9           2              2
10       <NA>              2
11          2              2
12       <NA>             NA
13          3              3
14       <NA>              3
15       <NA>              3
16          3              3

    2) na.locf0 Se o na.locf0 para frente e para trás forem os mesmos para um NA, então ele deve ser substituído. Isso é mais geral, pois funciona diretamente com os valores de caracteres e não assume o aumento do id em 1.

    library(zoo)

a <- na.locf0(cluster_id)
data.frame(cluster_id,
  cluster_id_new = ifelse(a == na.locf0(cluster_id, fromLast = TRUE), a, NA)
)

    Observação

    cluster_id <- c("1", "1", "1", "1", NA, "1", NA, NA, "2", NA, "2", NA, "3", NA, NA, "3")
    • 5

  5. Não consigo pensar em uma solução "inteligente" usando funções existentes que satisfaça seus critérios; uma abordagem de loop for funcionaria?

    cluster_id <- c("1","1","1","1","NA","1","NA","NA","2","NA","2","NA","3","NA","NA","3")
for (i in seq_along(cluster_id[-1])) {
  if(cluster_id[i + 1] == "NA") {
    for(j in (i + 1):length(cluster_id)) {
      if(cluster_id[i] == cluster_id[j]) {
        cluster_id[i + 1] <- cluster_id[j]
      }
    }
  }
}
cluster_id
#>  [1] "1"  "1"  "1"  "1"  "1"  "1"  "NA" "NA" "2"  "2"  "2"  "NA" "3"  "3"  "3" 
#> [16] "3"

    Criado em 2024-09-27 com reprex v2.1.0

    • 4

relate perguntas