替换 dplyr 链中的 NA

Question

问题已根据原始问题进行了编辑。

读完这篇有趣的文章后discussion我想知道如何使用 dplyr 替换列中的 NA，例如 Lahman 击球数据:

Source: local data frame [96,600 x 3]
Groups: teamID

   yearID teamID         G
1    2004    SFN        11
2    2006    CHN        43
3    2007    CHA         2
4    2008    BOS         5
5    2009    SEA         3
6    2010    SEA         4
7    2012    NYA        NA

以下内容不按我的预期工作

library(dplyr)
library(Lahman)

df <- Batting[ c("yearID", "teamID", "G") ]
df <- group_by(df, teamID )
df$G[is.na(df$G)] <- mean(df$G, na.rm = TRUE)

来源:本地数据框 [20 x 3]组:yearID、teamID

   yearID teamID         G
1    2004    SFN  11.00000
2    2006    CHN  43.00000
3    2007    CHA   2.00000
4    2008    BOS   5.00000
5    2009    SEA   3.00000
6    2010    SEA   4.00000
7    2012    NYA  **49.07894**

> mean(Batting$G_battin, na.rm = TRUE)
[1] **49.07894**

事实上，它估算的是总体平均值，而不是群体平均值。您将如何在 dplyr 链中执行此操作？使用基于 R 的 transform 也不起作用，因为它估算的是整体平均值而不是组平均值。此方法还将数据转换为常规数据。一个框架。有更好的方法吗？

df %.% 
  group_by( yearID ) %.%
  transform(G = ifelse(is.na(G), 
    mean(G, na.rm = TRUE), 
    G)
  )

编辑:用 mutate 替换 transform 会出现以下错误

Error in mutate_impl(.data, named_dots(...), environment()) : 
  INTEGER() can only be applied to a 'integer', not a 'double'

编辑:添加 as.integer 似乎可以解决错误，并且确实产生预期结果。另请参阅@eddi 的回答。

df %.% 
  group_by( teamID ) %.%
  mutate(G = ifelse(is.na(G), as.integer(mean(G, na.rm = TRUE)), G))

Source: local data frame [96,600 x 3]
Groups: teamID

   yearID teamID         G
1    2004    SFN        11
2    2006    CHN        43
3    2007    CHA         2
4    2008    BOS         5
5    2009    SEA         3
6    2010    SEA         4
7    2012    NYA        47

> mean_NYA <- mean(filter(df, teamID == "NYA")$G, na.rm = TRUE)
> as.integer(mean_NYA)
[1] 47

编辑:根据 @Romain 的评论，我从 github 安装了 dplyr:

> head(df,10)
   yearID teamID         G
1    2004    SFN        11
2    2006    CHN        43
3    2007    CHA         2
4    2008    BOS         5
5    2009    SEA         3
6    2010    SEA         4
7    2012    NYA        NA
8    1954    ML1       122
9    1955    ML1       153
10   1956    ML1       153

> df %.% 
+   group_by(teamID)  %.%
+   mutate(G = ifelse(is.na(G), mean(G, na.rm = TRUE), G))
Source: local data frame [96,600 x 3]
Groups: teamID

   yearID teamID          G
1    2004    SFN          0
2    2006    CHN          0
3    2007    CHA          0
4    2008    BOS          0
5    2009    SEA          0
6    2010    SEA 1074266112
7    2012    NYA   90693125
8    1954    ML1        122
9    1955    ML1        153
10   1956    ML1        153
..    ...    ...        ...

所以我没有收到错误(很好)，但我得到了一个(看似)奇怪的结果。

Answer 1

您遇到的主要问题是 mean 返回 double 值，而 G 列是整数。因此，将平均值包装在 as.integer 中是可行的，或者我猜您需要将整个列转换为 numeric。

也就是说，这里有几个 data.table 替代方案 - 我没有检查哪一个更快。

library(data.table)

# using ifelse
dt = data.table(a = 1:2, b = c(1,2,NA,NA,3,4,5,6,7,8))
dt[, b := ifelse(is.na(b), mean(b, na.rm = T), b), by = a]

# using a temporary column
dt = data.table(a = 1:2, b = c(1,2,NA,NA,3,4,5,6,7,8))
dt[, b.mean := mean(b, na.rm = T), by = a][is.na(b), b := b.mean][, b.mean := NULL]

这就是我理想中想做的事情(there is an FR 关于此):

# again, atm this is pure fantasy and will not work
dt[, b[is.na(b)] := mean(b, na.rm = T), by = a]

<小时/>

ifelse 的 dplyr 版本是(如 OP 中所示):

dt %>% group_by(a) %>% mutate(b = ifelse(is.na(b), mean(b, na.rm = T), b))

我不确定如何在 dplyr 中的一行中实现第二个 data.table 想法。我也不确定如何阻止 dplyr 扰乱/排序数据(除了创建索引列)。