如何用数据集中其他值替换NA？含基于距离的近邻匹配需求

一、固定目标州值替换（原需求） #

针对你最初想把South Dakota州non-citizen变量的NA值替换为Maryland州对应值的需求，无需硬编码固定数值，可动态提取目标州的数值进行替换：

# 提取Maryland州的non-citizen变量值
md_non_citizen <- data_num$`non-citizen`[data$state == 'Maryland']
# 替换South Dakota州的NA值
data_num$`non-citizen`[is.na(data_num$`non-citizen`) & data$state == 'South Dakota'] <- md_non_citizen

注：变量名含连字符时，需用反引号`包裹，避免R语法报错

二、最近邻自动替换（进阶需求） #

通过dist函数计算州间距离，自动匹配最近邻州的非NA值替换目标NA，实现步骤如下：

1. 预处理数据并计算距离矩阵 #

# 分离州名与数值变量
state_list <- data$state
numeric_vars <- data_num[, !colnames(data_num) %in% "state"]

# 标准化数值变量（消除量纲差异对距离计算的影响）
scaled_vars <- scale(numeric_vars)

# 生成州间欧氏距离矩阵（可通过method参数切换为曼哈顿等其他距离）
distance_matrix <- as.matrix(dist(scaled_vars))

2. 编写自动替换函数 #

replace_na_nearest <- function(raw_data, dist_mat, states) {
  processed_data <- raw_data
  # 遍历每个州
  for (i in seq(nrow(processed_data))) {
    # 遍历每个变量
    for (var in colnames(processed_data)) {
      if (is.na(processed_data[i, var])) {
        # 获取当前州到其他州的距离，排除自身
        dists <- dist_mat[i, -i]
        # 按距离从小到大排序州索引
        sorted_neighbors <- order(dists)
        # 找到第一个该变量无NA的最近邻州
        for (j in sorted_neighbors) {
          # 调整索引（排除自身后，原索引需修正）
          neighbor_idx <- ifelse(j >= i, j + 1, j)
          if (!is.na(processed_data[neighbor_idx, var])) {
            processed_data[i, var] <- processed_data[neighbor_idx, var]
            break
          }
        }
      }
    }
  }
  # 合并州名与处理后的数据
  return(cbind(state = states, processed_data))
}

# 执行替换
cleaned_data <- replace_na_nearest(numeric_vars, distance_matrix, state_list)

注意事项 #

• 必须标准化数值变量：若直接用原始数据计算距离，数值范围大的变量（如收入）会主导距离结果，导致匹配的最近邻失去参考性。
• 边界情况处理：若某个变量所有州均为NA，函数会保留该NA，需单独处理此类极端情况。
• 距离类型可选：dist函数默认使用欧氏距离，可通过method = "manhattan"等参数切换为其他距离计算方式。

内容的提问来源于stack exchange，提问作者Camilla