如果值等于 NA，则根据 R 中的份额进行估计

编程问答 2022-05-29

问题描述

考虑以下两个数据框：

df  <- data.frame(REGION   = c("REG01","REG02","REG03","REGSUM"),INDUSTRY = c("INDU01","INDU01","INDU01"),VALUE    = c(NA,10,NA,30))

和：

df2 <- data.frame(REGION   = c("REG01",VALUE    = c(5,15,20,40))

我想进行以下计算：如果 df 中的值等于 NA，那么我想根据 df2 中的份额来估计它。因为我知道 df 中的总和，所以我知道我必须在 df[REGSUM,INDU01] - df[REG02,INDU01] = 30 - 10 = 20 中为 NA 的两个元素之间分配值 df。

然后它应该将 df2 中的相同元素与带有 NA 的元素之和相除：

df2_share[REG01,INDU01] = 5  / (5 + 20) = 0.2
df2_share[REG03,INDU01] = 20 / (5 + 20) = 0.8

应使用此份额来估算 NA 中的 df1。所以我最终会得到以下数据框：

    REGION  INDUSTRY   VALUE
1   REG01   INDU01     0.2 * 20 = 4 
2   REG02   INDU01     10   
3   REG03   INDU01     0.8 * 20 = 16    
4   REGSUM  INDU01     30

我可以在 R 中这样做吗（我的数据框中有很多地区和行业）。

解决方法

这是一种方法。
对 NA 中既不是 "REGSUM" 也不是 df 的值求和。使用此值计算分配给 NA 值的总数。然后获取与 df2 条目对应的 NA 中的值并计算要分配的比例。

not_na_values <- sum(df$VALUE[df$REGION != "REGSUM"],na.rm = TRUE)
to_assign <- df$VALUE[df$REGION == "REGSUM"] - not_na_values

na <- is.na(df$VALUE)
numer <- df2$VALUE[na]
denom <- sum(numer)
df$VALUE[na] <- numer/denom * to_assign

df
#  REGION INDUSTRY VALUE
#1  REG01   INDU01     4
#2  REG02   INDU01    10
#3  REG03   INDU01    16
#4 REGSUM   INDU01    30

下面的函数概括了上面用于许多行业的 data.frames 的代码。它的工作原理是按行业拆分输入 data.frames 并lapply将之前的代码编写为函数，写入每个拆分列表成员。最后它重新组装这些子数据帧并返回给调用者。

assign_na_values <- function(x,y,region_col = "REGION",industry_col = "INDUSTRY",value_col = "VALUE",regsum = "REGSUM") {
  f <- function(x,region_col,value_col,regsum){
    i <- x[[region_col]] != regsum
    not_na_values <- sum(x[[value_col]][ i ],na.rm = TRUE)
    to_assign <- x[[value_col]][ !i ] - not_na_values
    
    na <- is.na(x[[value_col]])
    numer <- y[[value_col]][na]
    denom <- sum(numer)
    x[[value_col]][na] <- numer/denom * to_assign
    x
  }
  sp_x <- split(x,x[[industry_col]])
  sp_y <- split(y,y[[industry_col]])
  res <- lapply(seq_along(sp_x),function(i){
    f(sp_x[[i]],sp_y[[i]],regsum)
  })
  res <- do.call(rbind,res)
  row.names(res) <- NULL
  res
}

assign_na_values(df,df2)
#  REGION INDUSTRY VALUE
#1  REG01   INDU01     4
#2  REG02   INDU01    10
#3  REG03   INDU01    16
#4 REGSUM   INDU01    30
#5  REG01   INDU02    30
#6  REG02   INDU02     6
#7  REG03   INDU02     4
#8 REGSUM   INDU02    40

新的测试数据

df <- data.frame(
  REGION = c("REG01","REG02","REG03","REGSUM","REG01","REGSUM"),INDUSTRY = c("INDU01","INDU01","INDU02","INDU02"),VALUE = c(NA,10,NA,30,40)
)

df2 <- data.frame(
  REGION = c("REG01",VALUE = c(5,15,20,40,60)
)
,

这是另一个基本的 R 解决方案

idx <- which(REGION == "REGSUM")
df <- transform(
  df,VALUE = replace(
    VALUE,is.na(VALUE),prop.table(df2$VALUE[is.na(VALUE)]) * (VALUE[idx] - sum(VALUE[-idx],na.rm = TRUE))
  )
)

给出

  REGION INDUSTRY VALUE
1  REG01   INDU01     4
2  REG02   INDU01    10
3  REG03   INDU01    16
4 REGSUM   INDU01    30
,

如果有多个'INDUSTRY'，我们可以做一个join并使用group by操作

library(dplyr)
df %>% 
  left_join(df2,by = c("REGION","INDUSTRY")) %>% 
  group_by(INDUSTRY) %>%
  transmute(REGION,INDUSTRY,VALUE = case_when(is.na(VALUE.x) ~ 
    VALUE.y/sum(VALUE.y[is.na(VALUE.x)]) * (VALUE.x[n()] - 
         sum(VALUE.x[-n()],na.rm = TRUE)),TRUE ~ VALUE.x)) %>%
  ungroup

-输出

# A tibble: 4 x 3
#  REGION INDUSTRY VALUE
#  <chr>  <chr>    <dbl>
#1 REG01  INDU01       4
#2 REG02  INDU01      10
#3 REG03  INDU01      16
#4 REGSUM INDU01      30
dataframedivisionif-statementrr