Zastąpienie NA najnowszą wartością inną niż NA

W data.frame (lub data.table) chciałbym „wypełnić do przodu” NA najbliższą poprzednią wartością inną niż NA. Prosty przykład użycia wektorów (zamiast a data.frame) jest następujący:

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

Chciałbym mieć funkcję, fill.NAs()która pozwoliłaby mi skonstruować yy:

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

Muszę powtórzyć tę operację dla wielu (łącznie ~ 1 Tb) małych data.frames (~ 30-50 Mb), gdzie wiersz to NA to wszystkie jego wpisy. Jaki jest dobry sposób rozwiązania problemu?

Brzydkie rozwiązanie, które przygotowałem, wykorzystuje tę funkcję:

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
}

Funkcja fill.NAsjest używana w następujący sposób:

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]
} 

Wynik

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

... który wydaje się działać. Ale człowieku, czy to brzydkie! Jakieś sugestie?

Prawdopodobnie chcesz użyć na.locf()funkcji z pakietu zoo , aby przenieść ostatnią obserwację do przodu, aby zastąpić wartości NA.

Oto początek przykładu użycia ze strony pomocy:

library(zoo)

az <- zoo(1:6)

bz <- zoo(c(2,NA,1,4,5,2))

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

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

cz <- zoo(c(NA,9,3,2,3,2))

na.locf(cz)
2 3 4 5 6 
9 3 2 3 2 

Przepraszam, że podchodzę do starego pytania. Nie mogłem znaleźć funkcji, aby wykonać tę pracę w pociągu, więc napisałem ją sam.

Byłem dumny, gdy dowiedziałem się, że jest trochę szybszy.
Jest jednak mniej elastyczny.

Ale dobrze się z tym bawi ave, czego potrzebowałem.

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   

Edytować

Ponieważ była to moja najbardziej pozytywna odpowiedź, często przypominano mi, że nie używam własnej funkcji, ponieważ często potrzebuję maxgapargumentu zoo . Ponieważ zoo ma dziwne problemy w skrajnych przypadkach, gdy używam dat dplyr +, których nie mogłem debugować, wróciłem do tego dzisiaj, aby ulepszyć moją starą funkcję.

Testowałem moją ulepszoną funkcję i wszystkie inne wpisy tutaj. W przypadku podstawowego zestawu funkcji tidyr::filljest najszybszy, a jednocześnie nie zawodzi w skrajnych przypadkach. Wpis Rcpp autorstwa @BrandonBertelsen jest jeszcze szybszy, ale jest nieelastyczny w odniesieniu do typu wejścia (niepoprawnie przetestował przypadki krawędzi z powodu niezrozumienia all.equal).

Jeśli potrzebujesz maxgap, moja funkcja poniżej jest szybsza niż zoo (i nie ma dziwnych problemów z datami).

Umieściłem dokumentację z moich testów .

nowa funkcja

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
}

Umieściłem także funkcję w moim pakiecie formr (tylko Github).

data.tablerozwiązanie:

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

to podejście może również działać z zerami wypełniającymi do przodu:

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

ta metoda staje się bardzo przydatna w przypadku danych na dużą skalę i tam, gdzie chciałbyś wykonać wypełnienie do przodu według grup (y), co jest trywialne w przypadku data.table. po prostu dodaj grupę (y) do byklauzuli poprzedzającej cumsumlogikę.

dt <- data.table(group = sample(c('a', 'b'), 20, replace = TRUE), y = sample(c(1:4, rep(NA, 4)), 20 , replace = TRUE))
dt <- dt[order(group)]
dt[, y_forward_fill := y[1], .(group, cumsum(!is.na(y)))]
dt
    group  y y_forward_fill
 1:     a NA             NA
 2:     a NA             NA
 3:     a NA             NA
 4:     a  2              2
 5:     a NA              2
 6:     a  1              1
 7:     a NA              1
 8:     a  3              3
 9:     a NA              3
10:     a NA              3
11:     a  4              4
12:     a NA              4
13:     a  1              1
14:     a  4              4
15:     a NA              4
16:     a  3              3
17:     b  4              4
18:     b NA              4
19:     b NA              4
20:     b  2              2

Mając do czynienia z dużym wolumenem danych, aby być bardziej wydajnym, możemy skorzystać z pakietu 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)
}

Wrzucam kapelusz:

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;
}')

Skonfiguruj próbkę podstawową i test porównawczy:

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)
}

I przeprowadź testy porównawcze:

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

W razie czego:

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

Aktualizacja

W przypadku wektora numerycznego funkcja jest nieco inna:

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;
}

To zadziałało dla mnie:

  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"

prędkość też jest rozsądna:

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


 user  system elapsed 

 0.072   0.000   0.071 

Wypróbuj tę funkcję. Nie wymaga pakietu 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)
    }
}

Przykład:

> # 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

Prowadzenie NAjest trochę zmarszczone, ale uważam, że bardzo czytelny (i wektoryzowany) sposób wykonywania LOCF, gdy nie brakuje wiodącego terminu, to:

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

Nieco mniej czytelna modyfikacja działa ogólnie:

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

daje żądaną wydajność:

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

Możesz skorzystać z data.tablefunkcji nafilldostępnej pod adresem data.table >= 1.12.3.

library(data.table)
nafill(y, type = "locf")
# [1] NA  2  2  2  2  3  3  4  4  4

Jeśli twój wektor jest kolumną w a data.table, możesz go również zaktualizować przez odniesienie setnafill:

d <- data.table(x = 1:10, y)
setnafill(d, type = "locf", cols = "y")
d
#      x  y
#  1:  1 NA
#  2:  2  2
#  3:  3  2
#  4:  4  2
#  5:  5  2
#  6:  6  3
#  7:  7  3
#  8:  8  4
#  9:  9  4
# 10: 10  4

Jeśli masz NAw kilku kolumnach ...

d <- data.table(x = c(1, NA, 2), y = c(2, 3, NA), z = c(4, NA, 5))
#     x  y  z
# 1:  1  2  4
# 2: NA  3 NA
# 3:  2 NA  5

... możesz wypełnić je przez odniesienie za jednym razem:

setnafill(d, type = "locf")
d
#    x y z
# 1: 1 2 4
# 2: 1 3 4
# 3: 2 3 5

Zauważ, że:

Tylko podwójne i całkowite typy danych są obecnie [ data.table 1.12.6] obsługiwane.

Funkcjonalność najprawdopodobniej wkrótce zostanie rozszerzona; zobacz otwarty problem nafill, setnafill dla znaków, współczynników i innych typów , gdzie również znajdziesz tymczasowe obejście .

Pakiet tidyverse proponuje prosty sposób, aby to zrobić:

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

# first, transform it into a data.frame

y = as.data.frame(y)
   y
1  NA
2   2
3   2
4  NA
5  NA
6   3
7  NA
8   4
9  NA
10 NA

fill(y, y, .direction = 'down')
    y
1  NA
2   2
3   2
4   2
5   2
6   3
7   3
8   4
9   4
10  4

Istnieje kilka pakietów oferujących funkcje na.locf( NALast Observation Carried Forward):

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

A także inne pakiety, w których ta funkcja ma inną nazwę.

Kontynuacja wkładu Brandona Bertelsena w Rcpp. Dla mnie wersja NumericVector nie działała: zastąpiła tylko pierwszą NA. To dlatego, żeina wektor jest obliczany tylko raz, na początku funkcji.

Zamiast tego można zastosować dokładnie to samo podejście, co w przypadku funkcji IntegerVector. Pracowały dla mnie:

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;
}')

Jeśli potrzebujesz wersji CharacterVector, działa również to samo podstawowe podejście:

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;
}')

Oto modyfikacja rozwiązania @ AdamO. Ten działa szybciej, ponieważ omija na.omitfunkcję. Spowoduje to nadpisanie NAwartości w wektorze y(z wyjątkiem wiodących NA).

   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)]

Spróbowałem poniżej:

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

nullIdx pobiera numer idx, gdzie kiedykolwiek masterData $ RequiredColumn ma wartość Null / NA. W następnym wierszu zastępujemy go odpowiednią wartością Idx-1, czyli ostatnią dobrą wartością przed każdym NULL / NA

U mnie to zadziałało, chociaż nie jestem pewien, czy jest bardziej wydajne niż inne sugestie.

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)
}

fill.NAs <- function(x) {is_na<-is.na(x); x[Reduce(function(i,j) if (is_na[j]) i else j, seq_len(length(x)), accumulate=T)]}

fill.NAs(c(NA, 2, 2, NA, NA, 3, NA, 4, NA, NA))

[1] NA  2  2  2  2  3  3  4  4  4

Reduce to fajna funkcjonalna koncepcja programowania, która może być przydatna w podobnych zadaniach. Niestety w R jest ~ 70 razy wolniej niż repeat.beforew powyższej odpowiedzi.

Osobiście korzystam z tej funkcji. Nie wiem, jak szybko czy wolno. Ale wykonuje swoją pracę bez konieczności korzystania z bibliotek.

replace_na_with_previous<-function (vector) {
        if (is.na(vector[1])) 
            vector[1] <- na.omit(vector)[1]
        for (i in 1:length(vector)) {
            if ((i - 1) > 0) {
                if (is.na(vector[i])) 
                    vector[i] <- vector[i - 1]
            }
        }
        return(vector)
    }

jeśli chcesz zastosować tę funkcję w ramce danych, jeśli twoja ramka danych nazywa się df, to po prostu

df[]<-lapply(df,replace_na_with_previous)