使用dplyr按组采样填充NA值遇错误的解决诉求

首先，你的报错原因很明确：当某个组内的目标列（比如len或point）没有非NA值时，sample(len[!is.na(len)], 1, TRUE)里的len[!is.na(len)]会变成一个空向量，而sample函数无法处理长度为0的输入，因此抛出invalid first argument错误。

另外，原代码里的if_else(country == 'WCY_____FR', len, ...)逻辑和你的需求不符——你需要的是填充NA值，而不是根据country来替换值，这部分也需要修正。

解决方案：自定义填充函数处理组内/全局采样逻辑 #

我们可以写一个自定义函数，先判断组内是否有可用的非NA值：如果有，就从组内采样填充NA；如果没有，就从整个数据集的非NA值里采样。这样既满足你的分布保留需求，又避免了空向量报错。

library(dplyr)

# 定义填充NA的自定义函数
fill_na_with_sample <- function(group_values, global_values) {
  # 提取组内非NA值
  group_non_na <- group_values[!is.na(group_values)]
  
  # 判断组内是否有可用采样值
  if (length(group_non_na) > 0) {
    # 从组内采样填充NA
    replace(group_values, is.na(group_values), 
            sample(group_non_na, sum(is.na(group_values)), replace = TRUE))
  } else {
    # 组内无可用值时，从全局非NA值采样填充
    global_non_na <- global_values[!is.na(global_values)]
    replace(group_values, is.na(group_values), 
            sample(global_non_na, sum(is.na(group_values)), replace = TRUE))
  }
}

# 应用函数到数据
filled_data <- data %>%
  # 先保存全局的len和point值，供组内无值时调用
  mutate(global_len = len, global_point = point) %>%
  group_by(group) %>%
  mutate(
    len = fill_na_with_sample(len, global_len),
    point = fill_na_with_sample(point, global_point)
  ) %>%
  # 移除临时的全局辅助列
  select(-global_len, -global_point) %>%
  ungroup()

代码解释 #

1. 自定义函数fill_na_with_sample：
   • 接收两个参数：group_values是当前组的列值，global_values是整个数据集的该列值。
   • 先检查组内非NA值的数量，大于0则优先从组内采样（保证分布和原组一致）。
   • 如果组内全是NA，就从全局非NA值里采样填充。
2. 数据处理流程：
   • 先添加全局列global_len和global_point，方便组内无值时调用。
   • 按group分组后，对len和point分别应用填充函数。
   • 最后移除临时辅助列，得到填充后的完整数据。

这样处理后，既解决了原代码的报错问题，又完全符合你“优先组内采样，组内无值则全局采样”的需求，同时能保留原始数据的分布特征。

内容的提问来源于stack exchange，提问作者Josh J