1

Tengo un conjunto de datos en el que algunas de sus columnas son numéricas, en esas columnas numéricas existen valores NAs y lo que necesito es reemplazar cada uno de esos NA con el valor de la media de la columna en la que se encuentra. No llevo mucho tiempo usando R y según lo que he investigado lo que quiero se podría hacer con un for que vaya por cada columna o con laply, y esto es lo que tengo:

for (i in 1:ncol(indicadores_BD)) {
  indicadores_BD[is.na(indicadores_BD[,i]),i] <- mean((indicadores_BD[,i]),na.rm = TRUE)
  }

Pero con este for tengo 2 problemas, el primero es que no sé cómo decirle que esto lo haga sólo para las columnas de tipo numérico, y el segundo es el siguiente:

Error in `[.data.table`(indicadores_BD, , i) : 
  j (the 2nd argument inside [...]) is a single symbol but column name 'i' is not found. Perhaps you intended DT[, ..i]. This difference to data.frame is deliberate and explained in FAQ 1.1.

Por otro lado, con laply tengo esto que ví en un ejemplo:

lapply(indicadores_BD, mutate_if(is.numeric, ~replace(indicadores_BD, is.na(indicadores_BD), mean(!is.na(indicadores_BD)))))

Pero tengo el problema de que me sale esto

Error in UseMethod("tbl_vars") : 
  no applicable method for 'tbl_vars' applied to an object of class "function"

No sé si exista una forma más fácil de hacer lo que quiero o qué es lo que estoy haciendo mal con for y laply, pero llevo ya horas varado con esto y en serio agradecería mucho su ayuda.

3 respuestas 3

1

Mas sencillo es con package tidyverse

library(tidyverse)

#en valor_mean cálculo el promedio sin tener en cuenta NAs

valor_mean <- mean(dataframe$variable_X, na.rm = TRUE)

#luego tomo la columna y le digo que reemplace los NAs por valor_mean con los #decimales que necesites. En este caso redondea el número. No necesitas loops

dataframe$variable_X <- round(dataframe$variable_X %>%
                                  replace(is.na(.),valor_mean), digits = 0)

dataframe$variable_X
0

Entiendo que estás usando data.table, francamente no lo he usado practicamente nada, pero lo que si puedo decirte que estás tratando en algunos lugares al objeto data.table como si fuera un data.frame y las mecánicas de indexación no son las mismas, por ejemplo:

Esto que es totalmente válido en un data.frame clásico:

x <- c(1,2,3)
indicadores_BD[1,x]

Error in `[.data.table`(indicadores_BD, 1, x) : 
  j (the 2nd argument inside [...]) is a single symbol but column name 'x' is not found. Perhaps you intended DT[, ..x]. This difference to data.frame is deliberate and explained in FAQ 1.1.

No lo es en un data.table

Suponiendo que tu idea es trabajarlo como un data.frame clásico, (de última podrías convertir la base mediante as.data.frame()), supongamos unos datos como los que nos comentas:

set.seed(2020)
merge(
  matrix(sample(LETTERS, 50, replace = TRUE), ncol =  5),
  matrix(sample(c(runif(50), rep(NA,25)), 50, replace=TRUE), ncol = 5),
  by=0
) -> indicadores_BD
indicadores_BD

   Row.names V1.x V2.x V3.x V4.x V5.x      V1.y      V2.y      V3.y      V4.y      V5.y
1          1    L    M    B    N    R 0.6510358 0.6726305 0.7972218 0.5088476        NA
2         10    Q    C    O    V    B 0.6829807        NA        NA 0.1673671 0.3938651
3          2    W    X    X    G    J 0.2339084        NA 0.2082511 0.6829807 0.8844366
4          3    V    H    H    T    F        NA 0.3875929 0.9925618 0.4284416 0.6510358
5          4    X    J    D    R    O 0.2952934 0.8844366        NA 0.3623707        NA
6          5    A    R    R    T    K 0.6875061 0.2339084 0.5998948 0.2082511        NA
7          6    Q    P    N    U    M 0.4702981 0.4284416        NA 0.5998948        NA
8          7    D    V    N    T    X 0.7261997        NA 0.1568812 0.2952934        NA
9          8    J    B    L    P    M 0.5472646 0.6875061 0.2502319 0.1833963 0.1631660
10         9    F    P    P    L    M 0.4243989 0.1720709        NA 0.6510358        NA

En data.frame con columnas de distinto tipos y en las numéricas, algunos NA que queremos reemplazar por la media de dicha columna.

En primer lugar necesitaremos saber cuales son las columnas numéricas:

columnas_numericas <- which(sapply(indicadores_BD, is.numeric))

Aplicamos is.numeric a cada columna y no quedamos con el índice de las columnas numéricas. Lo siguiente es calcular la media de cada columna numérica:

cols_mean <- rep(NA, ncol(indicadores_BD))
cols_mean[columnas_numericas] <- colMeans(indicadores_BD[, columnas_numericas], na.rm = TRUE)

Lo único particular, es que que nos interesa que la media respete la cantidad de columnas totales del data.frame, por lo que habrá varios NA que corresponderán a las columnas no numéricas, y ahora sí, simplemente haremos una sustitución de valores NA por las medias correspondientes

for (x in columnas_numericas) {
  indicadores_BD[is.na(indicadores_BD[,x]), x] <- cols_mean[x]
}

Finalmente:

   Row.names V1.x V2.x V3.x V4.x V5.x      V1.y      V2.y      V3.y      V4.y      V5.y
1          1    L    M    B    N    R 0.6510358 0.6726305 0.7972218 0.5088476 0.5231259
2         10    Q    C    O    V    B 0.6829807 0.4952267 0.5008404 0.1673671 0.3938651
3          2    W    X    X    G    J 0.2339084 0.4952267 0.2082511 0.6829807 0.8844366
4          3    V    H    H    T    F 0.5243206 0.3875929 0.9925618 0.4284416 0.6510358
5          4    X    J    D    R    O 0.2952934 0.8844366 0.5008404 0.3623707 0.5231259
6          5    A    R    R    T    K 0.6875061 0.2339084 0.5998948 0.2082511 0.5231259
7          6    Q    P    N    U    M 0.4702981 0.4284416 0.5008404 0.5998948 0.5231259
8          7    D    V    N    T    X 0.7261997 0.4952267 0.1568812 0.2952934 0.5231259
9          8    J    B    L    P    M 0.5472646 0.6875061 0.2502319 0.1833963 0.1631660
10         9    F    P    P    L    M 0.4243989 0.1720709 0.5008404 0.6510358 0.5231259
1
  • Me funcionó perfectamente y entendí el código, muchas gracias. Commented el 11 sept. 2020 a las 17:54
0

Otra forma, de más alto nivel, usando dplyr es mediante el verbo mutate_if():

library(tidyverse)

indicadores_BD %>% 
  mutate_if(is.numeric, funs(replace_na(., mean(., na.rm = TRUE)))) 

Comentarios:

  • Esta solución es consistente con data.tables
  • Módificamos todas las columnas que sean numéricas, reemplazando los valores NA por la media de dicha columna, el . en el contexto del mutate es el comodín para indicar la columna en particular.

Y si quieres una solución aún más específica, tienes el paquete naniar especializado en el tratamiento de valores faltantes, que tiene mucha funcionalidad entre otras cosas para imputarlos, por ejemplo impute_mean_if():

library(naniar)

indicadores_BD %>% 
  impute_mean_if(is.numeric)

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.