如何在data.table的指定列中用众数替换NA值

问题原因 #

你遇到的警告是因为zoo::na.aggregate默认使用mean函数填充缺失值，但因子类型无法计算均值。虽然你定义了众数计算函数calc_mode，但参数传递错误——na.aggregate的第二个参数是指定填充用的函数（FUN），你传入的2是无效参数，导致函数仍尝试用均值处理因子列，触发警告。

方案1：修正zoo包的用法 #

只需要调整na.aggregate的参数传递，直接指定FUN = calc_mode即可：

library(data.table)
library(zoo)

train_set <- data.table(A = sample( c("BOBO", "BABA"), 100, TRUE),
                        B = sample( c("TOTO", "TATA"), 100, TRUE))
cols <- names(Filter(is.character, train_set))
train_set[, (cols) := lapply(.SD, as.factor), .SDcols = cols]
train_set[c(1, 4, 9), A := NA]
train_set[c(2, 5, 10), B := NA]

calc_mode <- function(x){
  distinct_values <- unique(x)
  distinct_tabulate <- tabulate(match(x, distinct_values))
  distinct_values[which.max(distinct_tabulate)]
}

cols <- names(Filter(is.factor, train_set))
# 修正参数，直接指定FUN为calc_mode
train_set[ , (cols) := lapply(.SD, na.aggregate, FUN = calc_mode), .SDcols = cols]

方案2：不使用zoo包，纯data.table实现 #

如果你不想依赖zoo包，可以直接遍历因子列，用calc_mode计算每列的众数，然后替换NA值：

library(data.table)

train_set <- data.table(A = sample( c("BOBO", "BABA"), 100, TRUE),
                        B = sample( c("TOTO", "TATA"), 100, TRUE))
cols <- names(Filter(is.character, train_set))
train_set[, (cols) := lapply(.SD, as.factor), .SDcols = cols]
train_set[c(1, 4, 9), A := NA]
train_set[c(2, 5, 10), B := NA]

calc_mode <- function(x){
  distinct_values <- unique(x)
  distinct_tabulate <- tabulate(match(x, distinct_values))
  distinct_values[which.max(distinct_tabulate)]
}

cols <- names(Filter(is.factor, train_set))
# 遍历因子列，用众数填充NA
train_set[, (cols) := lapply(.SD, function(x) {
  mode_val <- calc_mode(x[!is.na(x)])
  x[is.na(x)] <- mode_val
  x
}), .SDcols = cols]

补充说明 #

• 你的calc_mode函数可以正常计算因子的众数，无需修改
• 两种方案都能实现用列的众数填充因子类型的缺失值，不会再触发警告

内容的提问来源于stack exchange，提问作者Will