替换数据框中的 NA，保持列值分布

Question

问题

我有一个数据框（~15000 行，90 列），其中的列包含 NA。 在这里，我发现了多个关于用另一个 df 或正态分布的值填充 NA 的问答。 但是这些答案将破坏列本身的当前分布。 例子：

Person_ID	变量1	变量2
一个	1	不适用
乙	不适用	2
C	2	不适用
D	1	4
乙	1	3
F	1	1
G	不适用	不适用
H	不适用	1
我	2	2
Ĵ	1	不适用
ķ	1	3
大号	不适用	4

Var1 的列具有 75% (1) 和 25% (2) 的分布。 一个 NA 应替换为“2”，其他的应替换为“1”。 Var2 有四个值均为 25%，每个 NA 应替换为其中一个值。 实际数据帧更大，其中每列具有有限数量的唯一数值。 真实数据由医疗保健信息组成，不得对外共享。

提问的原因

目标是对数据帧执行 t-SNE，因此必须执行 kNN 插补。 插补将花费更多时间，然后替换以快速查看结果。 答案将使快速浏览成为可能。

Answer 1

在基础 R 中，您可以执行以下操作：

set.seed(5)  
data.frame(lapply(df,\(x)replace(x,is.na(x),sample(na.omit(x),sum(is.na(x))))))

   Person_ID Var1 Var2
1          A    1    3
2          B    1    2
3          C    2    1
4          D    1    4
5          E    1    3
6          F    1    1
7          G    1    3
8          H    1    1
9          I    2    2
10         J    1    1
11         K    1    3
12         L    2    4

Answer 2

为了保持值的比例，除了@onyambu的建议之外，建议在生成样本时包括值的概率。

df[,-1] <- data.frame(apply(df[,-1], 
                            2, 
                            function(x) 
                              replace(x, is.na(x),
                                      sample(sort(unique(na.omit(x))), 
                                             sum(is.na(x)), 
                                             replace = TRUE, 
                                             prob = prop.table(table(x))))))

输出：

> df
   Person_ID Var1 Var2
1          A    1    4
2          B    1    2
3          C    2    2
4          D    1    4
5          E    1    3
6          F    1    1
7          G    1    3
8          H    1    1
9          I    2    2
10         J    1    4
11         K    1    3
12         L    1    4