perdidos - reemplazar NA en una cadena dplyr

reemplazar na en r

Question

La pregunta ha sido editada desde el original .

Después de leer esta interesante discussion me preguntaba cómo reemplazar las NA en una columna usando dplyr en, por ejemplo, los datos de bateo de Lahman:

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

Lo siguiente no funciona como esperaba

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)

Fuente: marco de datos local [20 x 3] Grupos: ID de año, ID de equipo

   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**

De hecho, imputa la media general y no la media del grupo. ¿Cómo harías esto en una cadena dplyr? Usar la transform de la base R tampoco funciona, ya que imputa la media general y no la media del grupo. También este enfoque convierte los datos a un dat regular. un cuadro. ¿Hay una mejor manera de hacer esto?

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

Editar: Reemplazar la transform con mutate da el siguiente error

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

Editar: Agregar as.integer parece resolver el error y produce el resultado esperado. Ver también la respuesta de @ eddi.

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

Editar: Siguiendo con el comentario de @ Romain, instalé dplyr desde github:

> 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
..    ...    ...        ...

Así que no obtuve el error (bien) pero obtuve un resultado (aparentemente) extraño.

Answer 1

El problema principal que tienes es que la mean devuelve un doble, mientras que la columna G_batting es un número entero. Así que envolver la media en as.integer funcionaría, o tendrías que convertir toda la columna en numeric , supongo.

Dicho esto, aquí hay un par de alternativas de datos. No data.table cuál es más rápido.

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]

Y esto es lo que me gustaría hacer idealmente ( hay un FR sobre esto):

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

La versión dplyr de ifelse es (como en OP):

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

No estoy seguro de cómo implementar la segunda idea de data.table en una sola línea en dplyr . Tampoco estoy seguro de cómo puede evitar que dplyr codificar / ordenar los datos (además de crear una columna de índice).