data.table中按组填充缺失值

如果想要根据一组内的前/后非 NA 观察来填充变量的缺失值，则 data.table 命令是

setkey(DT,id,date)
DT[, value_filled_in := DT[!is.na(value), list(id, date, value)][DT[, list(id, date)], value, roll = TRUE]]

这是相当复杂的。自从那以后就很遗憾了roll是一个非常快速且强大的选项（特别是与应用诸如zoo::na.locf每组内）

我可以编写一个方便的函数来填充缺失值

   fill_na <-  function(x , by = NULL, roll =TRUE , rollends= if (roll=="nearest") c(TRUE,TRUE)
             else if (roll>=0) c(FALSE,TRUE)
             else c(TRUE,FALSE)){
    id <- seq_along(x)
    if (is.null(by)){
      DT <- data.table("x" = x, "id" = id, key = "id") 
      return(DT[!is.na(x)][DT[, list(id)], x, roll = roll, rollends = rollends, allow.cartesian = TRUE])

    } else{
      DT <- data.table("x" = x, "by" = by, "id" = id, key = c("by", "id")) 
      return(DT[!is.na(x)][DT[, list(by, id)], x, roll = roll, rollends = rollends, allow.cartesian = TRUE])
    }
  }

然后写

setkey(DT,id, date)
DT[, value_filled_in := fill_na(value, by = id)]

这并不是很令人满意，因为有人想写

setkey(DT,id, date)
DT[, value_filled_in := fill_na(value), by = id]

然而，这需要大量的时间来运行。而且，对于最终用户来说，了解这一点很麻烦fill_na应该用by选项，并且不应与data.table by。有没有一个优雅的解决方案？

一些速度测试

N <- 2e6
set.seed(1)
DT <- data.table(
         date = sample(10, N, TRUE),
           id = sample(1e5, N, TRUE),   
        value = sample(c(NA,1:5), N, TRUE),
       value2 = sample(c(NA,1:5), N, TRUE)                   
      )
setkey(DT,id,date)
DT<- unique(DT)

system.time(DT[, filled0 := DT[!is.na(value), list(id, date, value)][DT[, list(id, date)], value, roll = TRUE]])
#> user  system elapsed 
#>  0.086   0.006   0.105 
system.time(DT[, filled1 := zoo::na.locf.default(value, na.rm = FALSE), by = id])
#> user  system elapsed 
#> 5.235   0.016   5.274 
# (lower speed and no built in option like roll=integer or roll=nearest, rollend, etc)
system.time(DT[, filled2 := fill_na(value, by = id)])
#>   user  system elapsed 
#>  0.194   0.019   0.221 
system.time(DT[, filled3 := fill_na(value), by = id])
#>    user  system elapsed 
#> 237.256   0.913 238.405 

为什么我不直接使用na.locf.default？尽管速度差异并不是很重要，但其他类型的 data.table 命令（那些依赖于“by”中的变量合并的命令）也会出现同样的问题 - 系统地忽略它们以获得更简单的语法。我也非常喜欢所有的滚动选项。

现在有一个本土的data.table填充缺失值的方法（截至1.12.4).

这个问题催生了一个githubissue最近随着函数的创建而关闭nafill and setnafill。您现在可以使用

DT[, value_filled_in := nafill(value, type = "locf")]

也可以填写NA具有恒定值或带回的下一个观察结果。

与问题中的方法的一个区别是，这些函数目前仅适用于NA not NaN然而is.na is TRUE for NaN- 这是planned通过额外的参数在下一个版本中修复。

我没有参与该项目，但我看到虽然 github 问题链接到这里，但没有其他链接，所以我代表未来的访问者回答。

更新：默认NaN现在的待遇与NA.