按分组用查找表填充DataFrame缺失值，求实现方法及工具包

一、手动实现（使用tidyverse工具） #

你可以通过长格式转换-匹配查找表-恢复宽格式的流程，用dplyr和tidyr完成缺失值填充：

首先定义查找表：

impute_lookup <- dplyr::tibble(
  gender = c(1, 2, 1, 2),
  col = c("lab1", "lab1", "lab2", "lab2"),
  imputed_with = c(3, 2, 3, 2)
)

然后处理原始DataFrame：

library(dplyr)
library(tidyr)

df_imputed <- df %>%
  # 将宽表转为长表，方便按gender+列名匹配填充值
  pivot_longer(cols = starts_with("lab"), names_to = "col", values_to = "value") %>%
  # 左连接查找表，关联对应分组的填充值
  left_join(impute_lookup, by = c("gender", "col")) %>%
  # 用查找表的值替换原数据中的NA
  mutate(value = ifelse(is.na(value), imputed_with, value)) %>%
  # 转回宽表结构，恢复原始列顺序
  pivot_wider(names_from = "col", values_from = "value") %>%
  select(names(df))

处理后的结果：

# A tibble: 5 × 3
  gender  lab1  lab2
   <dbl> <dbl> <dbl>
1      1     3     4
2      2     2     2
3      1     3     3
4      1     3     2
5      2     2     2

二、官方工具包简化流程（tidymodels生态的recipes） #

如果要适配机器学习的训练-测试集分离流程，避免测试数据影响训练规则，推荐使用tidymodels生态下的recipes包，它可以在训练集上学习填充规则，再批量应用到测试集：

步骤1：在训练集上学习填充规则 #

library(tidymodels)

# 假设train_df是你的训练集（示例用df代替）
train_df <- df

# 创建并训练填充规则：按gender分组，对lab1/lab2用均值（或中位数）填充
impute_recipe <- recipe(~ ., data = train_df) %>%
  # 按gender分组，对所有数值预测变量（排除gender）用均值填充
  step_impute_mean(all_numeric_predictors(), -gender, group = gender) %>%
  # 若需要用中位数填充，替换为step_impute_median()
  prep() # 基于训练集计算分组填充值，固化规则

步骤2：将规则应用到训练集和测试集 #

# 填充训练集
train_imputed <- bake(impute_recipe, new_data = train_df)

# 填充测试集（test_df为你的测试集，结构与train_df一致）
test_imputed <- bake(impute_recipe, new_data = test_df)

这种方法的核心优势是：填充规则完全由训练集数据生成，测试集仅复用训练集的规则，彻底避免数据泄露，符合机器学习的规范。

内容的提问来源于stack exchange，提问作者Ai4l2s