使用R语言dplyr包为多维度数据组合补全缺失小时的中位数

依赖包 #

• 核心依赖dplyr做分组计算，tidyr做行列补全，均属于tidyverse生态

完整实现代码 #

# 加载依赖包
library(dplyr)
library(tidyr)

# 假设你的原始数据集命名为raw_df
result_df <- raw_df %>%
  # 按指定5个维度分组，计算每组transaction的中位数，保留所有原始行
  group_by(seller, product, detail, status, channel) %>%
  mutate(group_median = median(transaction, na.rm = TRUE)) %>%
  ungroup() %>%
  # 按日期+5个业务维度分组，为每个分组补全0-23的全部小时值
  group_by(datex, seller, product, detail, status, channel) %>%
  complete(hourx = 0:23) %>%
  ungroup() %>%
  # 补全行的transaction缺失值填充为对应组的中位数
  mutate(transaction = coalesce(transaction, group_median)) %>%
  # 可选步骤：删除计算用的中间列
  select(-group_median)

关键逻辑说明 #

• group_by+mutate组合不会聚合行，只会给每个分组下的所有行新增对应分组的中位数，完整保留原始数据的全部信息
• complete函数会自动为每个分组生成0到23的全部hourx值，已存在的行保持不变，缺失的行自动生成，同组的seller/product等维度会自动填充为对应分组的固定值
• coalesce函数优先取原始transaction的非缺失值，原始值为空的补全行自动取预计算的分组中位数填充

注意事项 #

• 需确保hourx字段为数值类型，若为字符型可先通过mutate(hourx = as.integer(hourx))转换后再运行上述代码
• 计算中位数时默认忽略NA值，若需要调整规则可修改median函数的na.rm参数

内容的提问来源于stack exchange，提问作者Faryan