Замена NA с последним значением не-NA

r data.table zoo r-faq

60213 просмотра

14 ответа

В data.frame (или data.table) я хотел бы «заполнить вперед» NA ближайшим предыдущим значением, не относящимся к NA. Простой пример использования векторов (вместо a data.frame) следующий:

> y <- c(NA, 2, 2, NA, NA, 3, NA, 4, NA, NA)

Я хотел бы функцию, fill.NAs()которая позволяет мне построить так yy, что:

> yy
[1] NA NA NA  2  2  2  2  3  3  3  4  4

Мне нужно повторить эту операцию для многих (всего ~ 1 Тб) data.frames малого размера (~ 30-50 Мб), где строка - это NA, то есть все ее записи. Какой хороший способ подойти к проблеме?

Уродливое решение, которое я приготовил, использует эту функцию:

last <- function (x){
    x[length(x)]
}    

fill.NAs <- function(isNA){
if (isNA[1] == 1) {
    isNA[1:max({which(isNA==0)[1]-1},1)] <- 0 # first is NAs 
                                              # can't be forward filled
}
isNA.neg <- isNA.pos <- isNA.diff <- diff(isNA)
isNA.pos[isNA.diff < 0] <- 0
isNA.neg[isNA.diff > 0] <- 0
which.isNA.neg <- which(as.logical(isNA.neg))
if (length(which.isNA.neg)==0) return(NULL) # generates warnings later, but works
which.isNA.pos <- which(as.logical(isNA.pos))
which.isNA <- which(as.logical(isNA))
if (length(which.isNA.neg)==length(which.isNA.pos)){
    replacement <- rep(which.isNA.pos[2:length(which.isNA.neg)], 
                                which.isNA.neg[2:max(length(which.isNA.neg)-1,2)] - 
                                which.isNA.pos[1:max(length(which.isNA.neg)-1,1)])      
    replacement <- c(replacement, rep(last(which.isNA.pos), last(which.isNA) - last(which.isNA.pos)))
} else {
    replacement <- rep(which.isNA.pos[1:length(which.isNA.neg)], which.isNA.neg - which.isNA.pos[1:length(which.isNA.neg)])     
    replacement <- c(replacement, rep(last(which.isNA.pos), last(which.isNA) - last(which.isNA.pos)))
}
replacement
}

Функция fill.NAsиспользуется следующим образом:

y <- c(NA, 2, 2, NA, NA, 3, NA, 4, NA, NA)
isNA <- as.numeric(is.na(y))
replacement <- fill.NAs(isNA)
if (length(replacement)){
which.isNA <- which(as.logical(isNA))
to.replace <- which.isNA[which(isNA==0)[1]:length(which.isNA)]
y[to.replace] <- y[replacement]
} 

Выход

> y
[1] NA  2  2  2  2  3  3  3  4  4  4

... который, кажется, работает. Но, мужик, это безобразно! Какие-либо предложения?

Автор: Ryogi Источник Размещён: 17.05.2019 02:44

Ответы (14)


126 плюса

Решение

Возможно, вы захотите использовать na.locf()функцию из пакета zoo , чтобы перенести последнее наблюдение, чтобы заменить ваши значения NA.

Вот начало его использования со страницы справки:

> example(na.locf)

na.lcf> az <- zoo(1:6)

na.lcf> bz <- zoo(c(2,NA,1,4,5,2))

na.lcf> na.locf(bz)
1 2 3 4 5 6 
2 2 1 4 5 2 

na.lcf> na.locf(bz, fromLast = TRUE)
1 2 3 4 5 6 
2 1 1 4 5 2 

na.lcf> cz <- zoo(c(NA,9,3,2,3,2))

na.lcf> na.locf(cz)
2 3 4 5 6 
9 3 2 3 2 
Автор: Dirk Eddelbuettel Размещён: 12.10.2011 05:32

50 плюса

Извините, что выкопал старый вопрос. Я не мог найти функцию для выполнения этой работы в поезде, поэтому я написал ее сам.

Я был горд узнать, что это немного быстрее.
Это менее гибко, хотя.

Но с этим приятно ave, что мне и нужно.

repeat.before = function(x) {   # repeats the last non NA value. Keeps leading NA
    ind = which(!is.na(x))      # get positions of nonmissing values
    if(is.na(x[1]))             # if it begins with a missing, add the 
          ind = c(1,ind)        # first position to the indices
    rep(x[ind], times = diff(   # repeat the values at these indices
       c(ind, length(x) + 1) )) # diffing the indices + length yields how often 
}                               # they need to be repeated

x = c(NA,NA,'a',NA,NA,NA,NA,NA,NA,NA,NA,'b','c','d',NA,NA,NA,NA,NA,'e')  
xx = rep(x, 1000000)  
system.time({ yzoo = na.locf(xx,na.rm=F)})  
## user  system elapsed   
## 2.754   0.667   3.406   
system.time({ yrep = repeat.before(xx)})  
## user  system elapsed   
## 0.597   0.199   0.793   

редактировать

Поскольку это стало моим самым восторженным ответом, мне часто напоминали, что я не использую свою собственную функцию, потому что мне часто нужны maxgapаргументы зоопарка . Поскольку у zoo есть некоторые странные проблемы в крайних случаях, когда я использую даты dplyr +, которые я не смог отладить, я вернулся к этому сегодня, чтобы улучшить свою старую функцию.

Я проверил мою улучшенную функцию и все остальные записи здесь. Для базового набора функций, tidyr::fillэто самый быстрый, а также не подведет крайние случаи. Запись Rcpp от @BrandonBertelsen еще быстрее, но она негибкая в отношении типа ввода (он неправильно протестировал крайние варианты из-за неправильного понимания all.equal).

Если вам нужно maxgap, моя функция ниже, чем в зоопарке (и не имеет странных проблем с датами).

Я выставляю документацию моих тестов .

новая функция

repeat_last = function(x, forward = TRUE, maxgap = Inf, na.rm = FALSE) {
    if (!forward) x = rev(x)           # reverse x twice if carrying backward
    ind = which(!is.na(x))             # get positions of nonmissing values
    if (is.na(x[1]) && !na.rm)         # if it begins with NA
        ind = c(1,ind)                 # add first pos
    rep_times = diff(                  # diffing the indices + length yields how often
        c(ind, length(x) + 1) )          # they need to be repeated
    if (maxgap < Inf) {
        exceed = rep_times - 1 > maxgap  # exceeding maxgap
        if (any(exceed)) {               # any exceed?
            ind = sort(c(ind[exceed] + 1, ind))      # add NA in gaps
            rep_times = diff(c(ind, length(x) + 1) ) # diff again
        }
    }
    x = rep(x[ind], times = rep_times) # repeat the values at these indices
    if (!forward) x = rev(x)           # second reversion
    x
}

Я также поместил эту функцию в свой пакет форм (только для Github).

Автор: Ruben Размещён: 10.12.2012 10:45

20 плюса

Имея дело с большим объемом данных, для большей эффективности мы можем использовать пакет data.table.

require(data.table)
replaceNaWithLatest <- function(
  dfIn,
  nameColNa = names(dfIn)[1]
){
  dtTest <- data.table(dfIn)
  setnames(dtTest, nameColNa, "colNa")
  dtTest[, segment := cumsum(!is.na(colNa))]
  dtTest[, colNa := colNa[1], by = "segment"]
  dtTest[, segment := NULL]
  setnames(dtTest, "colNa", nameColNa)
  return(dtTest)
}
Автор: Michele Usuelli Размещён: 03.03.2015 10:07

15 плюса

Кидаю свою шляпу в:

library(Rcpp)
cppFunction('IntegerVector na_locf(IntegerVector x) {
  int n = x.size();

  for(int i = 0; i<n; i++) {
    if((i > 0) && (x[i] == NA_INTEGER) & (x[i-1] != NA_INTEGER)) {
      x[i] = x[i-1];
    }
  }
  return x;
}')

Настройте базовый образец и тест:

x <- sample(c(1,2,3,4,NA))

bench_em <- function(x,count = 10) {
  x <- sample(x,count,replace = TRUE)
  print(microbenchmark(
    na_locf(x),
    replace_na_with_last(x),
    na.lomf(x),
    na.locf(x),
    repeat.before(x)
  ), order = "mean", digits = 1)
}

И запустить несколько тестов:

bench_em(x,1e6)

Unit: microseconds
                    expr   min    lq  mean median    uq   max neval
              na_locf(x)   697   798   821    814   821 1e+03   100
              na.lomf(x)  3511  4137  5002   4214  4330 1e+04   100
 replace_na_with_last(x)  4482  5224  6473   5342  5801 2e+04   100
        repeat.before(x)  4793  5044  6622   5097  5520 1e+04   100
              na.locf(x) 12017 12658 17076  13545 19193 2e+05   100

Так, на всякий случай:

all.equal(
     na_locf(x),
     replace_na_with_last(x),
     na.lomf(x),
     na.locf(x),
     repeat.before(x)
)
[1] TRUE

Обновить

Для числового вектора функция немного отличается:

NumericVector na_locf_numeric(NumericVector x) {
  int n = x.size();
  LogicalVector ina = is_na(x);

  for(int i = 1; i<n; i++) {
    if((ina[i] == TRUE) & (ina[i-1] != TRUE)) {
      x[i] = x[i-1];
    }
  }
  return x;
}
Автор: Brandon Bertelsen Размещён: 03.09.2016 08:38

11 плюса

Попробуйте эту функцию. Не требует пакета ZOO:

# last observation moved forward
# replaces all NA values with last non-NA values
na.lomf <- function(x) {

    na.lomf.0 <- function(x) {
        non.na.idx <- which(!is.na(x))
        if (is.na(x[1L])) {
            non.na.idx <- c(1L, non.na.idx)
        }
        rep.int(x[non.na.idx], diff(c(non.na.idx, length(x) + 1L)))
    }

    dim.len <- length(dim(x))

    if (dim.len == 0L) {
        na.lomf.0(x)
    } else {
        apply(x, dim.len, na.lomf.0)
    }
}

Пример:

> # vector
> na.lomf(c(1, NA,2, NA, NA))
[1] 1 1 2 2 2
> 
> # matrix
> na.lomf(matrix(c(1, NA, NA, 2, NA, NA), ncol = 2))
     [,1] [,2]
[1,]    1    2
[2,]    1    2
[3,]    1    2
Автор: Eldar Agalarov Размещён: 11.05.2014 12:01

11 плюса

Это сработало для меня:

  replace_na_with_last<-function(x,a=!is.na(x)){
     x[which(a)[c(1,1:sum(a))][cumsum(a)+1]]
  }


> replace_na_with_last(c(1,NA,NA,NA,3,4,5,NA,5,5,5,NA,NA,NA))

[1] 1 1 1 1 3 4 5 5 5 5 5 5 5 5

> replace_na_with_last(c(NA,"aa",NA,"ccc",NA))

[1] "aa"  "aa"  "aa"  "ccc" "ccc"

Скорость тоже разумная:

> system.time(replace_na_with_last(sample(c(1,2,3,NA),1e6,replace=TRUE)))


 user  system elapsed 

 0.072   0.000   0.071 
Автор: Nick Nassuphis Размещён: 25.05.2016 09:02

9 плюса

data.tableрешение:

> dt <- data.table(y = c(NA, 2, 2, NA, NA, 3, NA, 4, NA, NA))
> dt[, y_forward_fill := y[1], .(cumsum(!is.na(y)))]
> dt
     y y_forward_fill
 1: NA             NA
 2:  2              2
 3:  2              2
 4: NA              2
 5: NA              2
 6:  3              3
 7: NA              3
 8:  4              4
 9: NA              4
10: NA              4

этот подход может работать и с нулями прямого заполнения:

> dt <- data.table(y = c(0, 2, -2, 0, 0, 3, 0, -4, 0, 0))
> dt[, y_forward_fill := y[1], .(cumsum(y != 0))]
> dt
     y y_forward_fill
 1:  0              0
 2:  2              2
 3: -2             -2
 4:  0             -2
 5:  0             -2
 6:  3              3
 7:  0              3
 8: -4             -4
 9:  0             -4
10:  0             -4

этот метод становится очень полезным для данных в масштабе и в тех случаях, когда вы хотите выполнить прямое заполнение по группам, что тривиально с data.table. просто добавьте группу (ы) к byпредложению до cumsumлогики.

Автор: Tony DiFranco Размещён: 09.08.2017 04:02

6 плюса

Иметь ведущий NA- немного морщинка, но я нахожу очень читабельный (и векторизованный) способ выполнения LOCF, когда ведущий член не пропущен:

na.omit(y)[cumsum(!is.na(y))]

Немного менее читаемая модификация работает в общем:

c(NA, na.omit(y))[cumsum(!is.na(y))+1]

дает желаемый результат:

c(NA, 2, 2, 2, 2, 3, 3, 4, 4, 4)

Автор: AdamO Размещён: 29.01.2018 11:00

2 плюса

Вслед за вкладом Брэндона Бертельсена в Rcpp Для меня версия NumericVector не работала: она заменила только первый NA. Это потому, что inaвектор вычисляется только один раз, в начале функции.

Вместо этого можно использовать тот же подход, что и для функции IntegerVector. Следующее работало для меня:

library(Rcpp)
cppFunction('NumericVector na_locf_numeric(NumericVector x) {
  R_xlen_t n = x.size();
  for(R_xlen_t i = 0; i<n; i++) {
    if(i > 0 && !R_finite(x[i]) && R_finite(x[i-1])) {
      x[i] = x[i-1];
    }
  }
  return x;
}')

Если вам нужна версия CharacterVector, тот же базовый подход также работает:

cppFunction('CharacterVector na_locf_character(CharacterVector x) {
  R_xlen_t n = x.size();
  for(R_xlen_t i = 0; i<n; i++) {
    if(i > 0 && x[i] == NA_STRING && x[i-1] != NA_STRING) {
      x[i] = x[i-1];
    }
  }
  return x;
}')
Автор: Evan Cortens Размещён: 17.02.2017 10:08

2 плюса

Существует множество пакетов, предлагающих функции na.locf( NAПоследнее наблюдение перенесено):

  • xts - xts::na.locf
  • zoo - zoo::na.locf
  • imputeTS - imputeTS::na.locf
  • spacetime - spacetime::na.locf

А также другие пакеты, где эта функция названа по-другому.

Автор: stats0007 Размещён: 11.11.2016 05:51

0 плюса

Я попробовал ниже:

nullIdx <- as.array(which(is.na(masterData$RequiredColumn)))
masterData$RequiredColumn[nullIdx] = masterData$RequiredColumn[nullIdx-1]

nullIdx получает номер idx, где когда-либо masterData $ RequiredColumn имеет значение Null / NA. В следующей строке мы заменим его соответствующим значением Idx-1, т.е. последним хорошим значением перед каждым NULL / NA

Автор: Abhishek Lahiri Размещён: 27.10.2016 04:03

0 плюса

Это сработало для меня, хотя я не уверен, является ли это более эффективным, чем другие предложения.

rollForward <- function(x){
  curr <- 0
  for (i in 1:length(x)){
    if (is.na(x[i])){
      x[i] <- curr
    }
    else{
      curr <- x[i]
    }
  }
  return(x)
}
Автор: dmca Размещён: 13.01.2017 07:16

0 плюса

Вот модификация решения @ AdamO. Этот работает быстрее, потому что он обходит na.omitфункцию. Это перезапишет NAзначения в векторе y(кроме ведущих NAs).

   z  <- !is.na(y)                  # indicates the positions of y whose values we do not want to overwrite
   z  <- z | !cumsum(z)             # for leading NA's in y, z will be TRUE, otherwise it will be FALSE where y has a NA and TRUE where y does not have a NA
   y  <- y[z][cumsum(z)]
Автор: Montgomery Clift Размещён: 22.03.2018 12:16

0 плюса

fill = function(x){
    ave(x, cumsum(!is.na(x)), FUN = function(y) y[pmax(1, cumsum(!is.na(y)))])
}
fill(y)
# [1] NA  2  2  2  2  3  3  4  4  4
Автор: d.b Размещён: 17.03.2019 05:49
Вопросы из категории :
32x32