如何使用自定义函数calc_data填充data.table中的NA值

1. 构造示例数据 #

首先创建包含NA值的data.table：

library(data.table)

set.seed(123666)

dt <- data.table(
  id = seq(1, 5), 
  sample1 = c(sample(c(NA, runif(2))), NA),      
  sample2 = c(NA, sample(c(NA, runif(3)))),    
  sample3 = c(sample(c(NA, runif(4))))      
)

运行后得到的原始数据：

dt
#    id   sample1   sample2   sample3
# 1:  1        NA        NA 0.6387276
# 2:  2 0.9293370 0.1875354 0.2087892
# 3:  3 0.1528115        NA 0.7849779
# 4:  4        NA 0.6875024 0.3684756
# 5:  5        NA 0.4859773        NA

2. 常规NA填充方法 #

如果只是用固定值（比如0）填充NA，可直接用以下语法：

dt[is.na(dt)] <- 0

填充后结果：

dt
#    id   sample1   sample2   sample3
# 1:  1 0.0000000 0.0000000 0.6387276
# 2:  2 0.9293370 0.1875354 0.2087892
# 3:  3 0.1528115 0.0000000 0.7849779
# 4:  4 0.0000000 0.6875024 0.3684756
# 5:  5 0.0000000 0.4859773 0.0000000

3. 自定义函数填充NA的实现 #

先定义题目中的示例自定义函数：

# 示例自定义函数
sample_value <- c(1, 3, 3)
names(sample_value) <- c('sample1', 'sample2', 'sample3')
calc_data <- function(sample, id) {
    na_calc <- id * 3 + sample_value[sample]
    return(na_calc)
}

方法一：逐列遍历处理 #

针对目标列（sample1-sample3），逐个判断NA值并调用自定义函数计算填充值：

# 重置原始数据
set.seed(123666)
dt <- data.table(
  id = seq(1, 5), 
  sample1 = c(sample(c(NA, runif(2))), NA),      
  sample2 = c(NA, sample(c(NA, runif(3)))),    
  sample3 = c(sample(c(NA, runif(4))))      
)

# 遍历需要处理的列
cols <- c("sample1", "sample2", "sample3")
for (col in cols) {
  dt[is.na(get(col)), (col) := calc_data(col, id)]
}

填充后结果：

dt
#    id   sample1   sample2   sample3
# 1:  1  4.000000  6.000000 0.6387276
# 2:  2  0.929337  0.1875354 0.2087892
# 3:  3  0.1528115 12.000000 0.7849779
# 4:  4 13.000000  0.6875024 0.3684756
# 5:  5 16.000000  0.4859773 18.000000

方法二：转长格式统一处理 #

将宽表转为长格式，批量处理NA后再转回宽表，适合列数较多的场景：

# 重置原始数据
set.seed(123666)
dt <- data.table(
  id = seq(1, 5), 
  sample1 = c(sample(c(NA, runif(2))), NA),      
  sample2 = c(NA, sample(c(NA, runif(3)))),    
  sample3 = c(sample(c(NA, runif(4))))      
)

# 转长格式处理NA
dt_long <- melt(dt, id.vars = "id", variable.name = "sample_col", value.name = "value")
dt_long[is.na(value), value := calc_data(as.character(sample_col), id)]
# 转回宽表
dt_filled <- dcast(dt_long, id ~ sample_col, value.var = "value")

填充后结果：

dt_filled
#    id   sample1   sample2   sample3
# 1:  1  4.000000  6.000000 0.6387276
# 2:  2  0.929337  0.1875354 0.2087892
# 3:  3  0.1528115 12.000000 0.7849779
# 4:  4 13.000000  0.6875024 0.3684756
# 5:  5 16.000000  0.4859773 18.000000

补充说明 #

• 方法一逻辑直观，适合列数较少的场景；
• 方法二通过长格式批量处理，减少重复代码，适合多列场景；
• 若需要用列索引替代列名传入函数，可调整calc_data内的取值逻辑，比如用sample_value[as.integer(sub("sample", "", sample))]提取对应值。

内容的提问来源于stack exchange，提问作者zhang