如何修改R语言向量版插值函数以适配多数据集df1与df2？

原场景与代码 #

原代码适用于变量（Age、Age2和Mspline）为独立向量的场景：

Age<-c(2,2.1,2.2,3.4,3.5,4.2,4.7,4.8,5,5.6,NA, 5.9, NA)
Age2<-seq(2,20,0.25)    
Mspline<-rnorm(73)

res <- lapply(1:length(Age), \(x){
  lwr_ind <- max(which(Age2 <= Age[x]))
  upr_ind <- min(which(Age2 >= Age[x]))
  data.frame(Age = Age[x], 
             Mspline = Mspline[lwr_ind] + ((Age[x]-Age2[lwr_ind])/0.25)*(Mspline[lwr_ind] - Mspline[upr_ind]))
})

res <- do.call(rbind, res)

问题场景 #

现有两个结构化数据集：

• df1：包含Age和R变量
• df2：包含Age2和Mspline变量

数据集定义如下：

Age<-c(2,2.1,2.2,3.4,3.5,4.2,4.7,4.8,5,5.6,NA, 5.9, NA)
R<-c(2,2.1,2.2,3.4,3.5,4.2,4.7,4.8,5,5.6,NA, 5.9, NA)
df1<-data.frame(Age,R)
# 第二个数据集
Age2<-seq(2,20,0.25)    
Mspline<-rnorm(73)
df2<-data.frame(Age2, Mspline)

需要修改原代码，在保留df1中R变量的前提下，完成跨数据集的插值计算。

修改后的代码方案 #

方案1：基于循环的适配修改 #

直接将原代码中的独立向量替换为数据集中的对应列，同时处理NA值避免报错，并保留R变量：

res <- lapply(1:nrow(df1), \(x){
  # 跳过NA值，直接返回NA结果
  if(is.na(df1$Age[x])){
    return(data.frame(Age = df1$Age[x], R = df1$R[x], Mspline = NA))
  }
  lwr_ind <- max(which(df2$Age2 <= df1$Age[x]))
  upr_ind <- min(which(df2$Age2 >= df1$Age[x]))
  interpolated_mspline <- df2$Mspline[lwr_ind] + 
    ((df1$Age[x]-df2$Age2[lwr_ind])/0.25)*(df2$Mspline[lwr_ind] - df2$Mspline[upr_ind])
  data.frame(Age = df1$Age[x], 
             R = df1$R[x],
             Mspline = interpolated_mspline)
})

res <- do.call(rbind, res)

方案2：向量化实现（效率更高） #

使用findInterval替代循环和which操作，代码更简洁且处理大数据集时效率更高：

# 筛选非NA的Age索引
non_na_idx <- !is.na(df1$Age)
# 匹配每个Age对应的Age2区间位置
interval_idx <- findInterval(df1$Age[non_na_idx], df2$Age2)
# 计算插值结果
interpolated_values <- df2$Mspline[interval_idx] + 
  (df1$Age[non_na_idx] - df2$Age2[interval_idx])/0.25 * 
  (df2$Mspline[interval_idx] - df2$Mspline[interval_idx + 1])

# 构建最终结果，保留原df1的所有变量
res <- df1
res$Mspline <- NA
res$Mspline[non_na_idx] <- interpolated_values

说明 #

• 两种方案均处理了Age中的NA值，避免运行时出现报错
• 方案2的向量化操作比循环实现效率更高，适合处理大规模数据集
• 最终结果保留了df1中的全部变量，同时新增了插值得到的Mspline列

内容的提问来源于stack exchange，提问作者stats