如何用dplyr对分组DataFrame应用线性预测函数补全历史缺失值

我有一个长格式DataFrame，class列包含"detached"、"semidetached"、"block"三个分组；n、m2、m3列在2005-2019年的数值为空，2020-2100年有官方数据。需要用dplyr工具，将自定义的等效于ExcelFORECAST.LINEAR的预测函数，批量应用到所有分组的目标列，生成2005-2019年的预测值。

示例数据 #

library(tibble)
library(dplyr)

set.seed(123)
# 生成模拟数据：2020-2100年为有效数值，2005-2019年为空
df <- expand_grid(
  class = c("detached", "semidetached", "block"),
  year = 2005:2100
) %>%
  mutate(
    n = ifelse(year >= 2020, rnorm(n(), mean = 100 + year - 2020, sd = 5), NA),
    m2 = ifelse(year >= 2020, rnorm(n(), mean = 200 + (year - 2020)*1.5, sd = 8), NA),
    m3 = ifelse(year >= 2020, rnorm(n(), mean = 300 + (year - 2020)*2, sd = 10), NA)
  )

自定义FORECAST.LINEAR等效函数 #

forecast_linear <- function(x, y, new_x) {
  # x: 已知自变量（年份）
  # y: 已知因变量（目标列数值）
  # new_x: 需要预测的自变量（2005-2019年）
  model <- lm(y ~ x, na.action = na.exclude)
  predict(model, newdata = data.frame(x = new_x))
}

dplyr一站式批量预测方案 #

df_predicted <- df %>%
  group_by(class) %>%
  mutate(
    # 批量处理n、m2、m3三列
    across(c(n, m2, m3), ~ ifelse(
      year %in% 2005:2019,
      # 用2020-2100年的数据拟合模型，预测当前年份的值
      forecast_linear(
        x = year[year >= 2020],
        y = .[year >= 2020],
        new_x = year
      ),
      # 2020年及以后保留原数据
      .
    ))
  ) %>%
  ungroup()

代码逻辑说明 #

1. group_by(class)：按房屋类型分组，确保每个分组独立拟合预测模型
2. across(c(n, m2, m3))：一次性批量处理所有目标列，避免重复代码
3. ifelse判断年份区间：仅对2005-2019年的空值进行预测，其余年份保留原始数据
4. 预测函数内部提取当前分组中2020-2100年的有效数据，拟合线性模型后生成预测值

验证结果 #

# 查看detached分组2005-2019年的n列预测值
df_predicted %>%
  filter(class == "detached", year %in% 2005:2019) %>%
  select(year, n)

内容的提问来源于stack exchange，提问作者Vesanen