如何将缺失的值压缩到向量中

Question

让我尽量使这个问题尽可能笼统。

假设我有两个变量a和b。

a <- as.integer(runif(20, min = 0, max = 10))
a <- as.data.frame(a)
b <- as.data.frame(a[c(-7, -11, -15),])

所以b有17个观测值，是a的一个子集，其中有20个观测值。

我的问题是:我将如何使用这两个变量生成第三个变量c，它像a一样有20个观测值，但缺少观测值7、11和15，而其他观测值与b相同，但按a的顺序排列。

或者换个说法:我如何把这些缺失的观测结果挤进位置7、11和15的变量b中呢？

这看起来很简单(而且很可能是这样)，但我已经很久没有让它起作用了。

Answer 1

1)循环尝试这个循环：

# test data
set.seed(123) # for reproducibility
a <- as.integer(runif(20, min = 0, max = 10))
a <- as.data.frame(a)
b <- as.data.frame(a[c(-7, -11, -15),])

# lets work with vectors
A <- a[[1]]
B <- b[[1]]

j <- 1
C <- A
for(i in seq_along(A)) if (A[i] == B[j]) j <- j+1 else C[i] <- NA

这意味着：

> C
 [1]  2  7  4  8  9  0 NA  8  5  4 NA  4  6  5 NA  8  2  0  3  9

2) Reduce，这里是一个没有循环的版本：

f <- function(j, a) j + (a == B[j])
r <- Reduce(f, A, acc = TRUE)
ifelse(duplicated(r), NA, A)

给予：

[1]  2  7  4  8  9  0 NA  8  5  4 NA  4  6  5 NA  8  2  0  3  9

3) dtw。在同名的包中使用dtw，我们可以得到一个紧凑的、没有循环的一行程序：

library(dtw)

ifelse(duplicated(dtw(A, B)$index2), NA, A)

给予：

[1]  2  7  4  8  9  0 NA  8  5  4 NA  4  6  5 NA  8  2  0  3  9

修订了，增加了更多的解决方案。

Answer 2

下面是一种更复杂的方法，使用Levenshtein距离算法，在更复杂的例子中做得更好(在我尝试过的几个更大的测试中，它看起来也更快)：

# using same data as G. Grothendieck:
set.seed(123) # for reproducibility
a <- as.integer(runif(20, min = 0, max = 10))
a <- as.data.frame(a)
b <- as.data.frame(a[c(-7, -11, -15),])
A = a[[1]]
B = b[[1]]

# compute the transformation between the two, assigning infinite weight to 
# insertion and substitution
# using +1 here because the integers fed to intToUtf8 have to be larger than 0
# could also adjust the range more dynamically based on A and B
transf = attr(adist(intToUtf8(A+1), intToUtf8(B+1),
                    costs = c(Inf,1,Inf), counts = TRUE), 'trafos')

C = A
C[substring(transf, 1:nchar(transf), 1:nchar(transf)) == "D"] <- NA
#[1]  2  7  4  8  9  0 NA  8  5  4 NA  4  6  5 NA  8  2  0  3  9

更复杂的匹配示例(贪婪的算法执行得不好)：

A = c(1,1,2,2,1,1,1,2,2,2)
B = c(1,1,1,2,2,2)

transf = attr(adist(intToUtf8(A), intToUtf8(B),
                    costs = c(Inf,1,Inf), counts = TRUE), 'trafos')

C = A
C[substring(transf, 1:nchar(transf), 1:nchar(transf)) == "D"] <- NA
#[1] NA NA NA NA  1  1  1  2  2  2

# the greedy algorithm would return this instead:
#[1]  1  1 NA NA  1 NA NA  2  2  2

Answer 3

数据帧版本，与上面的G没有太大的不同。(假设a，b设置如上)。

j <- 1
c <- a
for (i in (seq_along(a[,1]))) {
    if (a[i,1]==b[j,1]) {
        j <- j+1
        } else 
        {
        c[i,1] <- NA
        }

}