r - 如何按类别在 data.table 列中查找(而不是替换)前导 NA、间隙和最终 NA

Question

我正在尝试了解我的面板数据集中的缺失类型。我觉得可以分为三种情况:

1. 领先的 NA；在某个人的数据开始之前
2. 差距；因此在数据重新启动后的几个时间段内丢失数据
3. NA 在末尾；如果一个人提前停止，数据的

我不是在寻找直接更改或填充它们的函数。相反，我想在了解问题后决定如何处理它们。

如何去掉前导 NA(但不是如何查看你有多少)已解决 here .解决所有 NA 的问题很简单:

library(data.table)
Data <- as.data.table(iris)[,.(Species,Petal.Length)]
Data[, time := rep(1951:2000,3)]
Data[c(1:5,60:65,145:150), Petal.Length := NA]
# in Petal lenth setosa has lead NA's, versicolor a gap, virginica NA's at the end

Data[is.na(Petal.Length)] # this is a mix of all three types of NA's 

但我想区分这三种情况。理想情况下，我想直接在 data.table 中将它们作为

1. “给我一个数据表，其中包含在 Petal.Length 中具有前导 NA 的所有观察结果”
2. “给我一个数据表，其中包含 Petal.Length 中存在间隙的观察值”
3. “给我一个数据表，其中包含每个人在过去一段时间内的 NA 观察结果”

对于 NA 主管，我仍然可以完成它，但感觉 super 笨拙:

Data[!is.na(Petal.Length), firstobs := ifelse(min(time) == time, 1, 0), by = Species]
Data[, mintime := max(firstobs * time, na.rm = T), by = Species]
Data[time < mintime]

我想对于最后一个 NA 的 max 和 leads 也可以做类似的事情，但我无法理解差距，这些对我来说是最重要的。我在网上找到的解决方案一般都是直接填、删、移这些NA的，我就看看。

期望的输出是:

领先的 NA:

Data[1:5]

差距:

Data[60:65]

NA 在末尾:

Data[145:150]

但我想通过检查三种类型的 NA 的位置来获取这些信息，因为我的实际数据集太大而无法手动检查。

编辑:我应该在我的真实数据集中添加，我不知道每个人何时开始报告数据。所以:

Data[is.na(Petal.Length), time, by= Species]

不会帮助我。

Answer 1

一种方式:

Data[, g := {
  r = rleid(vna <- is.na(Petal.Length))
  if (first(vna)) r = replace(r, r == 1L, 0L)
  if ( last(vna)) r = replace(r, r == last(r), 9999L)
  replace(r, !vna, NA_integer_)
}, by=Species]

确认它与 OP 预期的行相匹配...

> # leading
> Data[g == 0L, which = TRUE]
[1] 1 2 3 4 5
> # trailing
> Data[g == 9999L, which = TRUE]
[1] 145 146 147 148 149 150
> # gaps
> Data[!.(c(0L, 9999L, NA_integer_)), on="g", which = TRUE]
[1] 60 61 62 63 64 65

要仅获取子集，请在不使用 which = TRUE 参数的情况下使用这些命令。

除了识别三个类别中每一个类别中的行之外，这种方法还通过不同的 g 值识别间隙(如果有多个)。

---

工作原理

您可以插入一些 print 和 cat 指令来跟踪每个对象在循环期间的样子:

csprintf <- function(s, ...) cat(sprintf(s, ...))
Data[, g := {
  csprintf("Group: %s = %s %s\n", toString(names(.BY)), toString(.BY), strrep("*", 60))

  r = rleid(vna <- is.na(Petal.Length))
  csprintf("NA positions and initial grouping vector:\n")
  print(data.table(Petal.Length, r, vna))

  if (first(vna)) r = replace(r, r == 1L, 0L)
  csprintf("NA positions and grouping vector after tagging leading NAs:\n")
  print(data.table(Petal.Length, r, vna))

  if ( last(vna)) r = replace(r, r == last(r), 9999L)
  csprintf("NA positions and grouping vector after tagging trailing NAs:\n")
  print(data.table(Petal.Length, r, vna))

  r = replace(r, !vna, NA_integer_)
  csprintf("NA positions and grouping vector after tagging non-NAs:\n")
  print(data.table(Petal.Length, r, vna))

  cat(strrep("\n", 2))

  r
}, by=Species]

差不多，它创建了指示 NA 位置的 vna 向量和在 vna 中运行的 r 向量。然后它将特殊代码分配给某些特定的运行，这些代码稍后可用于过滤。