按分组线性插值填补纵向数据中的NA值

示例数据 #

df <- data.frame(
  country = c("country1", "country2", "country3", "country1", "country2"),
  measurement = c("m1", "m1", "m1", "m2", "m2"),
  y2015 = c(NA, 15, 19, 13, 55),
  y2016 = c(NA, 17, NA, 10, NA),
  y2017 = c(14, NA, NA, 9, 45),
  y2018 = c(18, 22, 16, NA, 40)
)

需求说明 #

需按country和measurement分组，基于时间维度的斜率进行线性插值，填补连续多个NA：

• 第5行（country2+m2）填补后为c(55, *50*, 45, *40*)
• 第1行（country1+m1）填补后为c(*6*, *10*, 14, 18)
• 第3行（country3+m1）填补后为c(19, *18*, *17*, 16)

方法1：使用tidyverse分组处理 #

步骤1：宽表转长表 #

将年份列转为时间-值的长格式，方便按时间插值：

library(tidyverse)

df_long <- df %>%
  pivot_longer(cols = starts_with("y"), 
               names_to = "year", 
               names_prefix = "y", 
               values_to = "value") %>%
  mutate(year = as.integer(year))

步骤2：分组线性插值 #

用approx函数实现线性插值，rule=2用于延伸填补首尾的连续NA：

df_interpolated <- df_long %>%
  group_by(country, measurement) %>%
  mutate(value_interpolated = approx(x = year, y = value, xout = year, rule = 2)$y) %>%
  ungroup()

步骤3：转回宽表 #

还原为原始宽表格式：

df_final <- df_interpolated %>%
  pivot_wider(names_from = year, 
              names_prefix = "y", 
              values_from = value_interpolated)

# 查看结果
print(df_final)

方法2：基础R循环实现 #

无需依赖tidyverse，用循环逐个处理分组：

# 获取所有唯一分组
groups <- unique(df[, c("country", "measurement")])

# 初始化结果数据框
df_final_loop <- df

# 遍历每个分组
for(i in 1:nrow(groups)){
  # 定位当前分组行
  group_idx <- df$country == groups$country[i] & df$measurement == groups$measurement[i]
  # 提取当前分组的年份数据
  year_cols <- df[group_idx, starts_with("y")]
  years <- as.integer(sub("y", "", colnames(year_cols)))
  values <- as.numeric(year_cols)
  
  # 执行线性插值
  interpolated_vals <- approx(x = years, y = values, xout = years, rule = 2)$y
  
  # 替换回原数据框
  df_final_loop[group_idx, starts_with("y")] <- interpolated_vals
}

# 查看结果
print(df_final_loop)

说明 #

spline包的非线性插值不符合需求，而approx的线性插值正好匹配“按时间斜率填补”的要求，配合分组逻辑即可解决连续NA的填补问题。

内容的提问来源于stack exchange，提问作者bee_47