仅将时间序列中的 NA 填充到有限的数量

Posted

技术标签:

【中文标题】仅将时间序列中的 NA 填充到有限的数量【英文标题】:Fill NA in a time series only to a limited number 【发布时间】:2014-11-14 10:07:17 【问题描述】:

有没有一种方法可以将NAs 填充到zooxts 对象中,并转发有限数量的NAs。换句话说,就像将NAs 填充到最多 3 个连续的NAs,然后将NAs 从第 4 个值开始保持到有效数字为止。

类似的东西。

library(zoo)
x <- zoo(1:20, Sys.Date() + 1:20)
x[c(2:4, 6:10, 13:18)] <- NA
x

2014-09-20 2014-09-21 2014-09-22 2014-09-23 2014-09-24 2014-09-25 2014-09-26 
         1         NA         NA         NA          5         NA         NA 
2014-09-27 2014-09-28 2014-09-29 2014-09-30 2014-10-01 2014-10-02 2014-10-03 
        NA         NA         NA         11         12         NA         NA 
2014-10-04 2014-10-05 2014-10-06 2014-10-07 2014-10-08 2014-10-09 
        NA         NA         NA         NA         19         20

所需的输出,将是变量 n = 3 的东西

2014-09-20 2014-09-21 2014-09-22 2014-09-23 2014-09-24 2014-09-25 2014-09-26 
         1         1         1        1          5         5        5 
2014-09-27 2014-09-28 2014-09-29 2014-09-30 2014-10-01 2014-10-02 2014-10-03 
        5         NA         NA         11         12         12        12 
2014-10-04 2014-10-05 2014-10-06 2014-10-07 2014-10-08 2014-10-09 
        12         NA         NA         NA         19         20

我尝试了很多与na.locf(x, maxgap = 3) 等的组合,但没有取得多大成功。我可以创建一个循环来获得所需的输出,我想知道是否有矢量化的方式来实现这一点。

fillInTheBlanks <- function(v, n=3) 
  result <- v
  counter0 <- 1
  for(i in 2:length(v)) 
    value <- v[i]
    if (is.na(value)) 
      if (counter0 > n) 
        result[i] <- v[i]
       else   
        result[i] <- result[i-1]
        counter0 <- counter0 + 1
          
    else 
      result[i] <- v[i] 
      counter0 <- 1
    
  
  return(result)

谢谢

【问题讨论】:

添加一些用例场景,当我们有一个 qtrly 数据并且我们知道未来 3 个月的数据是好的,并且可能最多再多 3 个月,但任何超出可接受的范围时限制应该使数据真正不适用,并且不应该填充它直到无穷大的场景。 这里有一些其他选择:Replace NA with previous value with limit 【参考方案1】:

这是另一种方式:

l <- cumsum(! is.na(x))
c(NA, x[! is.na(x)])[replace(l, ave(l, l, FUN=seq_along) > 4, 0) + 1]
# [1]  1  1  1  1  5  5  5  5 NA NA 11 12 12 12 12 NA NA NA 19 20

编辑:我之前的回答要求x 没有重复项。目前的答案没有。

基准测试

x <- rep(x, length.out=1e4)

plourde <- function(x) 
    l <- cumsum(! is.na(x))
    c(NA, x[! is.na(x)])[replace(l, ave(l, l, FUN=seq_along) > 4, 0) + 1]


agstudy <- function(x) 
    unlist(sapply(split(coredata(x),cumsum(!is.na(x))),
           function(sx)
             if(length(sx)>3) 
               sx[2:4] <- rep(sx[1],3)
             else sx <- rep(sx[1],length(sx))
             sx
           ))


microbenchmark(plourde(x), agstudy(x))
# Unit: milliseconds
#        expr   min     lq median     uq   max neval
#  plourde(x)  5.30  5.591  6.409  6.774 57.13   100
#  agstudy(x) 16.04 16.249 16.454 17.516 20.64   100

【讨论】:

【参考方案2】:

还有一个想法,除非我错过了什么,否则似乎是有效的:

na_locf_until = function(x, n = 3)

   wnn = which(!is.na(x))  
   inds = sort(c(wnn, (wnn + n+1)[which((wnn + n+1) < c(wnn[-1], length(x)))]))
   c(rep(NA, wnn[1] - 1), 
     as.vector(x)[rep(inds, c(diff(inds), length(x) - inds[length(inds)] + 1))])

na_locf_until(x)
#[1]  1  1  1  1  5  5  5  5 NA NA 11 12 12 12 12 NA NA NA 19 20

【讨论】:

【参考方案3】:

不使用na.locf,但想法是按一组非缺失值拆分您的 xts,然后为每个组仅用第一个值替换 3 个第一个值(在非缺失值之后)。它是一个循环,但由于它只应用于 group ,它应该比所有值的简单循环更快。

zz <- 
unlist(sapply(split(coredata(x),cumsum(!is.na(x))),
       function(sx)
         if(length(sx)>3) 
           sx[2:4] <- rep(sx[1],3)
         else sx <- rep(sx[1],length(sx))
         sx
       ))
## create the zoo object since , the latter algorithm is applied only to the values 
zoo(zz,index(x))

2014-09-20 2014-09-21 2014-09-22 2014-09-23 2014-09-24 2014-09-25 2014-09-26 2014-09-27 2014-09-28 2014-09-29 2014-09-30 2014-10-01 2014-10-02 
         1          1          1          1          5          5          5          5         NA         NA         11         12         12 
2014-10-03 2014-10-04 2014-10-05 2014-10-06 2014-10-07 2014-10-08 2014-10-09 
        12         12         NA         NA         NA         19         20 

【讨论】:

【参考方案4】:

data.table 中实现这一点的最简洁方法可能是使用连接语法:

na.omit(dt)[dt, on = .(date), roll = +3, .(date, x_filled = x, x = i.x)]

          date x_filled  x
 1: 2019-02-14        1  1
 2: 2019-02-15        1 NA
 3: 2019-02-16        1 NA
 4: 2019-02-17        1 NA
 5: 2019-02-18        5  5
 6: 2019-02-19        5 NA
 7: 2019-02-20        5 NA
 8: 2019-02-21        5 NA
 9: 2019-02-22       NA NA
10: 2019-02-23       NA NA
11: 2019-02-24       11 11
12: 2019-02-25       12 12
13: 2019-02-26       12 NA
14: 2019-02-27       12 NA
15: 2019-02-28       12 NA
16: 2019-03-01       NA NA
17: 2019-03-02       NA NA
18: 2019-03-03       NA NA
19: 2019-03-04       19 19
20: 2019-03-05       20 20

*此解决方案取决于日期列并且是连续的

【讨论】:

由于技术和逻辑不同,因此作为单独的答案发布。【参考方案5】:

data.table 中玩耍,得到了这个 hacky 解决方案:

np1 <- 3 + 1
dt[, 
   x_filled := x[c(rep(1, min(np1, .N)), rep(NA, max(0, .N - np1)))],
   by = cumsum(!is.na(x))]
# Or slightly simplified:
dt[, 
   x_filled := ifelse(rowid(x) < 4, x[1], x[NA]),
   by = cumsum(!is.na(x))]

> dt
          date  x x_filled
 1: 2019-02-14  1        1
 2: 2019-02-15 NA        1
 3: 2019-02-16 NA        1
 4: 2019-02-17 NA        1
 5: 2019-02-18  5        5
 6: 2019-02-19 NA        5
 7: 2019-02-20 NA        5
 8: 2019-02-21 NA        5
 9: 2019-02-22 NA       NA
10: 2019-02-23 NA       NA
11: 2019-02-24 11       11
12: 2019-02-25 12       12
13: 2019-02-26 NA       12
14: 2019-02-27 NA       12
15: 2019-02-28 NA       12
16: 2019-03-01 NA       NA
17: 2019-03-02 NA       NA
18: 2019-03-03 NA       NA
19: 2019-03-04 19       19
20: 2019-03-05 20       20

我们基于这样一个事实,即用NA 对向量进行子集化会返回NA

数据/包

library(zoo)
library(data.table)
x <- zoo(1:20, Sys.Date() + 1:20)
x[c(2:4, 6:10, 13:18)] <- NA
dt <- data.table(date = index(x), x = as.integer(x))

【讨论】:

以上是关于仅将时间序列中的 NA 填充到有限的数量的主要内容,如果未能解决你的问题,请参考以下文章

在数组中填充有限数量的项目,但保持数组长度 - mongoose

用向量中的随机值填充数据框中的 NA 值(无需替换)

如何填充(自动填充)值,例如使用 R 中的 data.table 将 NA 替换为组中的第一个值?

如何用 NA 以外的值填充 merge(..., all = TRUE, ...) 中的缺失值?

如何在“添加新”事件后仅将更改应用于新字段?

提取特定单元格的值并将其填充以代替 pyspark 数据框中的 NA 值