web-dev-qa-db-ja.com

dplyrチェーンのNAを置き換える

質問はオリジナルから編集されました。

この興味深い discussion を読んだ後、たとえば、Lahmanバッティングデータでdplyrを使用して列内のNAを置換する方法を考えていました。

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

   yearID teamID G_batting
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

以下は期待通りにnot動作します

library(dplyr)
library(Lahman)

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

ソース：ローカルデータフレーム[20 x 3]グループ：yearID、teamID

   yearID teamID G_batting
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**

実際、グループの平均ではなく、全体の平均に帰属しています。 dplyrチェーンでこれをどのように行いますか？基Rからtransformを使用しても、notはグループ平均ではなく全体平均を代入するので機能します。また、このアプローチはデータを通常のデータに変換します。フレーム。これを行うためのより良い方法はありますか？

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

編集：transformをmutateに置き換えると、次のエラーが発生します

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

編集：as.integerを追加するとエラーが解決されるようで、doesが期待される結果を生成します。 @eddiの回答も参照してください。

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

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

   yearID teamID G_batting
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_batting, na.rm = TRUE)
> as.integer(mean_NYA)
[1] 47

編集：@Romainのコメントをフォローアップして、私はgithubからdplyrをインストールしました：

> head(df,10)
   yearID teamID G_batting
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_batting = ifelse(is.na(G_batting), mean(G_batting, na.rm = TRUE), G_batting))
Source: local data frame [96,600 x 3]
Groups: teamID

   yearID teamID  G_batting
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
..    ...    ...        ...

そのため、エラーは発生しませんでした（良い）が、（一見）奇妙な結果が得られました。

rdplyr
37
Vincent

主な問題は、meanがdoubleを返し、G_batting列が整数であるということです。したがって、平均をas.integerでラップすると機能するか、列全体をnumericに変換する必要があると思います。

とは言っても、ここにはいくつかのdata.tableの選択肢があります。どちらが速いかはチェックしませんでした。

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]

そして、これは私が理想的にやりたいことです（ FRがあります これについて）：

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

dplyrのifelseバージョンは次のとおりです（OPの場合）：

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

dplyrの1行に2番目のdata.tableアイデアを実装する方法がわかりません。また、dplyrがデータのスクランブル/順序付けを停止する方法（インデックス列の作成を除く）もわかりません。

32
eddi