用 R 中的平均组替换缺失值 - 错误 : out of boundaries

Question

我有一个看起来像这样的大文件:

 V1    SNP1 SNP2 SNP3 SNP4 SNP5 SNP6 SNP7 SNP8 SNP9
GROUP1   1    NA   2     1    1   NA   1    1    2
GROUP1   1     2  NA     0    0    2   1   1     NA
GROUP1   0     2   2     0   NA    1   1   1     2
GROUP2   1     2   1     1    1   NA   2   0     2
GROUP2   1     1   1    NA    0    1   0   1    NA
GROUP2   1     1  NA     1    0    1   NA  1     0

我需要做的是用组平均值替换缺失值。我已经在一个小例子中完成了这个并且它有效。但是，当我在大文件中执行此操作时，出现错误:“下标越界”。我正在做的是:创建一个包含我想保留以供进一步分析的组的列表:

group.list = unique(data_file$V1)

现在我需要根据组对每一列进行平均:

A<-colMeans(data_file[data_file$V1 == group.list[1],-1],na.rm=T)
for(i in 2:length(group.list)){
  A <- rbind(A, colMeans(data_file[data_file$V1 %in% group.list[i],-1], na.rm=T))
}
rownames(A)<-group.list

缺少一些列平均值 (SNP)。所以我这样做了:

SNP.present <- which(A[1,]>=0)
for(i in 2:length(group.list)){
  SNP.present <- intersect(SNP.present,which(A[i,]>=0))
}
A <- A[,SNP.present]

data_file1 = data_file[,c(1,SNP.present+1)]
for(i in 1:dim(data_file1)[1]){
  a <- which(is.na(data_file1[i,]))
  if(length(a)>0){ 
    data_file1[i,a]<-A[data_file1$V1[i],a] 
  }
}

当我在一个小数据集中运行它时，它似乎有效。但是，当我运行完整数据集时，出现错误:

Error in A[data_file1$V1[i], a] : subscript out of bounds

谁知道哪里出了问题？

Answer 1

你可以试试

library(data.table)
setDT(df1)[, lapply(.SD, function(x) 
          replace(x, is.na(x), mean(x, na.rm=TRUE))) , V1]

或者使用dplyr

library(dplyr)
df1 %>%
     group_by(V1) %>% 
     mutate_each(funs(replace(., which(is.na(.)),
                                mean(., na.rm=TRUE))))