Se tiene un DataFrame con una de sus columnas llamada "llamado_provincia", se trata de los llamados al 137 por problemas de violencia familiar o abuso sexual. Lo descargué desde datos.gob.ar/dataset/justicia-linea-137---victimas-violencia-sexual---llamados-e-intervenciones-domiciliarias Bien, la cuestión es que en varias columnas de tipo character existen valores que figuran como "NS/NC" o "Ns/Nc" y lo que quiero es reemplazar esos valores por la moda en caso de que el porcentaje de apariciones de estos valores no supere el cinco por ciento y obviamente que la moda NO sea "NS/NC" O "Ns/Nc". Entonces si las condiciones se dan, la idea es ir reemplazando por un ranking de apariciones de los demás valores de la columna. Por ejemplo si la provincia La Pampa aparece supongamos, en el 15% de los casos, reemplazaremos los valores "NS/NC" por "La Pampa" un 15% de veces. El problema es que este procedimiento hay que realizarlo muchas veces porque existen muchas columnas con el mismo problema, por lo que decidí crear una función. Pero resulta que cuando se ejecuta la función, muy pero muy similar al código a repetir, aparece un error*, como no podía ser de otra manera.
Dejo aquí elcódigo en cuestión, primero como sería normalmente al aplicarlo a la variable y después en forma de función. Los "unique" del principio y final son para comprobar primero si existe ese valor en esa columna y después para ver si aún persiste.
*Error in `$<-.data.frame`(`*tmp*`, "Var1", value = character(0)) :
replacement has 0 rows, data has 25
NOTA: El archivo .csv se puede descargar desde https://drive.google.com/file/d/1oeJpGjtPs9ptMSwfj4iQCjGeBxPSFeUF/view?usp=drive_link
unique(df$llamado_provincia)
row_df <- nrow(df)
porcentaje <- sum(df$llamado_provincia == "NS/NC")/row_df
moda <- names(sort(table(df$llamado_provincia), decreasing = TRUE)[1])
nulos <- sum(df$llamado_provincia == "NS/NC")
if (porcentaje >= 0.05) {
nulos <- sum(df$llamado_provincia == "NS/NC")
ranking <- as.data.frame(table(df$llamado_provincia)) # Se crea un df con los valores char más repetidos
ranking <- ranking %>% arrange(-Freq) # Se ordena el ranking
ranking$Var1 <- as.character(ranking$Var1)
row_rank <- nrow(ranking)
flag <- F
for (i in 1:row_rank) { # Aquí se lleva al útimo lugar la fila con "NS/NC"
if (ranking$Var1[i] == "NS/NC") { # para luego eliminarla
resguardo <- ranking[i, ] #
flag <- T #
} #
if (ranking$Var1[i] != "NS/NC" & flag == T) { #
ranking[i-1, ] <- ranking[i, ] #
ranking[i, ] <- resguardo #
} #
} #
ranking <- ranking[-c(row_rank), ] # Elimina la última fila, que queda en NS/NC
ranking$porcent <- round((ranking$Freq/sum(ranking$Freq))*100, 0) # Crea una columna con el porcentaje de apariciones del valor character
ranking$reemplazo <- round((ranking$porcent*nulos)/100, 0) # Crea una columna con valores absolutos que van a reemplazar a "NS/NC"
dif <- nulos - sum(ranking$reemplazo)
ranking$reemplazo[1] <- ranking$reemplazo[1] + dif # Como la diferencia entre valores "NS/NC" y los que van a reemplazar suele ser menor
# por redondear a cero los que están entre cero y uno en valores porcentules,
# la diferencia se le suma al valor que más haya aparecido, es decir, el que está en primer lugar
# en el ranking
j = 1
for (i in 1:row_df) {
if (df$llamado_provincia[i] == "NS/NC" & ranking$reemplazo[j] != 0) { # Se va reemplazando cada valor "NS/NC" por la cantidad de veces que haya
df$llamado_provincia[i] <- ranking$Var1[j] # aparecido el valor charachter, según su posición en el ranking
ranking$reemplazo[j] <- ranking$reemplazo[j] - 1 #
if (ranking$reemplazo[j] == 0) {j <- j + 1} #
} #
} #
} else {
for (i in 1:row_df) {
if (moda == "NS/NC") {
df$llamado_provincia[i] <- ranking$Var1[1] # Asigna el valor más repetido después de "NS/NC"
} else if (df$llamado_provincia[i] == "NS/NC")
{df$llamado_provincia[i] <- moda
}
}
}
unique(df$llamado_provincia)
El intento de función personalizada
reemp_vble_char <- function(x, y, z) {
row_df <- nrow(x)
porcentaje <- sum(y == z)/row_df
moda <- names(sort(table(y), decreasing = TRUE)[1])
nulos <- sum(y == z)
if (porcentaje >= 0.05) {
nulos <- sum(y == z)
ranking <- as.data.frame(table(y))
ranking <- ranking %>% arrange(-Freq)
ranking$Var1 <- as.character(ranking$Var1)
row_rank <- nrow(ranking)
flag <- F
for (i in 1:row_rank) {
if (ranking$Var1[i] == z) {
resguardo <- ranking[i, ]
flag <- T
}
if (ranking$Var1[i] != z & flag == T) {
ranking[i-1, ] <- ranking[i, ]
ranking[i, ] <- resguardo
}
}
ranking <- ranking[-c(row_rank), ]
ranking$porcent <- round((ranking$Freq/sum(ranking$Freq))*100, 0)
ranking$reemplazo <- round((ranking$porcent*nulos)/100, 0)
dif <- nulos - sum(ranking$reemplazo)
ranking$reemplazo[1] <- ranking$reemplazo[1] + dif
j = 1
for (i in 1:row_df) {
if (y[i] == z & ranking$reemplazo[j] != 0) {
y[i] <- ranking$Var1[j]
ranking$reemplazo[j] <- ranking$reemplazo[j] - 1
if (ranking$reemplazo[j] == 0) {j <- j + 1}
}
}
} else {
for (i in 1:row_df) {
if (moda == z) {
y[i] <- ranking$Var1[1]
} else if (y[i] == z)
{y[i] <- moda
}
}
}
}
Resultado esperado:
Cuando se ejecuta el código en forma de función, aparece el error antes mencionado :
"Error in $<-.data.frame
(*tmp*
, "Var1", value = character(0)) : replacement has 0 rows, data has 25".
Sin embargo, al ejecutarse en su forma común y corriente, el resultado es satisfactorio, no hay errores y el reemplazo se realiza sin problemas.