データがNA値を含む場合、各カラムの平均値を仮の値として代入して処理を行う場合がある。
tidyverseを使った方法を以下に示す。
NA値を含むデータを作成
下記のコードは、カラム名にLengthを含む列に対し、ランダムに30個のNA値を代入する。
iris.na <- iris %>%
dplyr::mutate_at(dplyr::vars(tidyselect::matches("Length")),
list( ~ dplyr:::case_when(dplyr::row_number() %in% sample(1:nrow(iris),30) ~ as.numeric(NA),
TRUE ~ .)))
> head(iris.na)
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 5.1 3.5 1.4 0.2 setosa
2 NA 3.0 1.4 0.2 setosa
3 4.7 3.2 NA 0.2 setosa
4 4.6 3.1 1.5 0.2 setosa
5 NA 3.6 1.4 0.2 setosa
6 NA 3.9 1.7 0.4 setosa
上で作成したテーブルのNA値を各カラムの平均値に置換する。
iris.imputed <- iris.na %>%
dplyr::mutate_at(dplyr::vars(tidyselect::matches("Length")),
list( ~ tidyr::replace_na(., mean(., na.rm = TRUE))))
> head(iris.imputed)
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 5.100000 3.5 1.4000 0.2 setosa
2 5.864167 3.0 1.4000 0.2 setosa
3 4.700000 3.2 3.6975 0.2 setosa
4 4.600000 3.1 1.5000 0.2 setosa
5 5.864167 3.6 1.4000 0.2 setosa
6 5.864167 3.9 1.7000 0.4 setosa
平均値ではなく、中央値で補完する場合は、medianを使う。
iris.imputed <- iris.na %>%
dplyr::mutate_at(dplyr::vars(tidyselect::matches("Length")),
list( ~ tidyr::replace_na(., median(., na.rm = TRUE))))
> head(iris.imputed)
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 5.1 3.5 1.40 0.2 setosa
2 5.8 3.0 1.40 0.2 setosa
3 4.7 3.2 4.25 0.2 setosa
4 4.6 3.1 1.50 0.2 setosa
5 5.8 3.6 1.40 0.2 setosa
6 5.8 3.9 1.70 0.4 setosa
すべてのSpeciesの平均値ではなく、各Speciesの平均値を入れるには、group_by{dplyr}関数を使う。
iris.imputed <- iris.na %>%
dplyr::group_by(Species) %>%
dplyr::mutate_at(dplyr::vars(tidyselect::matches("Length")),
list( ~ tidyr::replace_na(., mean(., na.rm = TRUE)))) %>%
dplyr::ungroup()
結果はtibbleとなる。
iris.imputed
# A tibble: 150 x 5
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
<dbl> <dbl> <dbl> <dbl> <fct>
1 5.1 3.5 1.4 0.2 setosa
2 5.01 3 1.4 0.2 setosa
3 4.7 3.2 1.46 0.2 setosa
4 4.6 3.1 1.5 0.2 setosa
5 5.01 3.6 1.4 0.2 setosa
6 5.01 3.9 1.7 0.4 setosa
7 4.6 3.4 1.4 0.3 setosa
8 5 3.4 1.5 0.2 setosa
9 5.01 2.9 1.4 0.2 setosa
10 4.9 3.1 1.46 0.1 setosa
# … with 140 more rows