40

質問は元から編集されています。

この興味深い議論を読んだ後、たとえば、Lahman のバッティング データで dplyr を使用して列の NA を置き換え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

以下は私が期待したように動作しません

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、それはグループ平均ではなく、全体平均を帰属させました。dplyrチェーンでこれをどのように行いますか? transformベースRからの使用も、グループ平均ではなく全体平均を帰属させるため機能しません。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：に置き換えるtransformとmutate、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、期待される結果が得られるようです。@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、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が (良い)、(一見) 奇妙な結果が得られました。

4

1 に答える 1

33

あなたが抱えている主な問題は、列が整数であるmeanのに double を返すことです。G_battingしたがって、平均をラップするas.integerか、列全体を変換する必要がありますnumeric。

とはいえ、ここにいくつかのdata.table選択肢があります-どちらが速いかは確認していません。

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（これについてFRがあります）：

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

のdplyrバージョンifelseは（OPのように）：

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

data.tableの 1 行で 2 番目のアイデアを実装する方法がわかりませんdplyr。また、データのスクランブリング/順序付けを停止する方法もわかりませんdplyr(インデックス列の作成は別として)。

于 2014-02-12T00:25:07.707 に答える