R 中空子集数据帧的数据插补

Question

我正在尝试在 R 中构建一个函数，我可以在其中根据某些规范对原始数据帧进行子集化，然后将这个子集化的数据帧转换成一个比例 table。

不幸的是，对于某些特定的规范，我没有数据，其中一些子集会产生一个空数据框；因此无法计算出比例table。所以，我想做的是从我有一个非空子集数据帧的最近时间步长开始，并将它用作空子集数据帧的输入。

以下是对我的数据框和函数的一些见解：

我的原始数据框看起来 +/- 如下：

| year | quarter | area | time_comb | no_individuals | lenCls | age |
|------|---------|------|-----------|----------------|--------|-----|
| 2005 | 1       | 24   | 2005.1.24 | 8              | 380    | 3   |
| 2005 | 2       | 24   | 2005.2.24 | 4              | 490    | 2   |
| 2005 | 1       | 24   | 2005.1.24 | 3              | 460    | 6   |
| 2005 | 1       | 21   | 2005.1.21 | 25             | 400    | 2   |
| 2005 | 2       | 24   | 2005.2.24 | 1              | 680    | 6   |
| 2005 | 2       | 21   | 2005.2.21 | 2              | 620    | 5   |
| 2005 | 3       | 21   | 2005.3.21 | NA             | NA     | NA  |
| 2005 | 1       | 21   | 2005.1.21 | 1              | 510    | 5   |
| 2005 | 1       | 24   | 2005.1.24 | 1              | 670    | 4   |
| 2006 | 1       | 22   | 2006.1.22 | 2              | 750    | 4   |
| 2006 | 4       | 24   | 2006.4.24 | 1              | 660    | 8   |
| 2006 | 2       | 24   | 2006.2.24 | 8              | 540    | 3   |
| 2006 | 2       | 24   | 2006.2.24 | 4              | 560    | 3   |
| 2006 | 1       | 22   | 2006.1.22 | 2              | 250    | 2   |
| 2006 | 3       | 22   | 2006.3.22 | 1              | 520    | 2   |
| 2006 | 2       | 24   | 2006.2.24 | 1              | 500    | 2   |
| 2006 | 2       | 22   | 2006.2.22 | NA             | NA     | NA  |
| 2006 | 2       | 21   | 2006.2.21 | 3              | 480    | 2   |
| 2006 | 1       | 24   | 2006.1.24 | 1              | 640    | 5   |
| 2007 | 4       | 21   | 2007.4.21 | 2              | 620    | 3   |
| 2007 | 2       | 21   | 2007.2.21 | 1              | 430    | 3   |
| 2007 | 4       | 22   | 2007.4.22 | 14             | 410    | 2   |
| 2007 | 1       | 24   | 2007.1.24 | NA             | NA     | NA  |
| 2007 | 2       | 24   | 2007.2.24 | NA             | NA     | NA  |
| 2007 | 3       | 24   | 2007.3.22 | NA             | NA     | NA  |
| 2007 | 4       | 24   | 2007.4.24 | NA             | NA     | NA  |
| 2007 | 3       | 21   | 2007.3.21 | 1              | 560    | 4   |
| 2007 | 1       | 21   | 2007.1.21 | 7              | 300    | 3   |
| 2007 | 3       | 23   | 2007.3.23 | 1              | 640    | 5   |

这里year, quarter and area指的是特定时间（Year & Quarter ) 和 X 编号的区域。对个人进行了测量 (no_individuals)。例如，从第一行我们得到，在 2005 年第一季度，在区域 24 中，我有 8 个个体，长度 class (lenCLs) 为 380 mm年龄=3。值得一提的是，对于特定的年份、季度和区域组合，我可以有不同的长度 classes 和年龄（因此，多行）！

所以我想做的基本上是对特定年份、季度和区域组合的原始数据框进行子集化，然后根据每个长度中的个体数量从该组合中计算一个比例 table class。

到目前为止，我的基本功能如下所示：

LAK <- function(df,  Year="2005", Quarter="1", Area="22", alkplot=T){
  require(FSA)

  # subset alk by year, quarter and area 
  sALK <- subset(df, year==Year & quarter==Quarter & area==Area)
  dfexp <- sALK[rep(seq(nrow(sALK)), sALK$no_individuals), 1:ncol(sALK)]
  raw <- t(table(dfexp$lenCls, dfexp$age))
  key <- round(prop.table(raw, margin=1), 3)
  return(key)

  if(alkplot==TRUE){
    alkPlot(key,"area",xlab="Age")
  }
}

从上面的数据集示例中，可以注意到 year=2005 & quarter=3 & area=21，我没有任何测量的个体。然而，对于同一区域 AND 年，我有第 1 季度或第 2 季度的数据。最合理的假设是从最近的时间步长（即第 2 季度和相同的地区和年份），并替换“no_individuals”、“lenCls”和“[=37=”列中的 NA ]age”相应。

另请注意，在某些情况下，我没有特定年份的数据！在上面的示例中，可以通过查看 2007 年的区域 24 来了解这一点。在这种情况下，我无法借用最近季度的信息，而需要借用前一年的信息。这意味着对于 year=2007 & area=24 & quarter=1 我将从 year=2006 & area=24 & quarter 1[=50] 借用信息=]，依此类推。

我试图通过指定一些额外的规则将其包含在我的函数中，但由于我的编程技能不佳，我没有取得任何进展。

因此，我们将非常感谢任何帮助。

这是我要更新的 LAK 函数：

LAK <- function(df, Year="2005", Quarter="1", Area="22", alkplot=T){ require(FSA) # subset alk by year, quarter and area sALK <- subset(df, year==Year & quarter==Quarter & area==Area) # In case of empty dataset #if(is.data.frame(sALK) && nrow(sALK)==0){ if(sALK[rowSums(is.na(sALK)) > 0,]){ warning("Empty subset combination; data will be subsetted based on the nearest timestep combination") FIXME: INCLDUE IMPUTATION RULES HERE } dfexp <- sALK[rep(seq(nrow(sALK)), sALK$no_individuals), 1:ncol(sALK)] raw <- t(table(dfexp$lenCls, dfexp$age)) key <- round(prop.table(raw, margin=1), 3) return(key) if(alkplot==TRUE){ alkPlot(key,"area",xlab="Age") } }

Answer 1

我不知道您是否遇到过 MICE，但它是一个非常酷且全面的变量插补工具。它还允许您查看估算数据的分布情况，以便您可以选择最适合您的问题的方法。检查 this brief explanation and the original package description

Answer 2

所以，我终于找到了解决我问题的部分方法，并将我的函数包含在这里以防有人感兴趣：

LAK <- function(df,  Year="2005", Quarter="1", Area="22",alkplot=T){

  require(FSA)

  # subset alk by year, quarter, area and species
  sALK <- subset(df, year==Year & quarter==Quarter & area==Area)
  print(sALK)

  if(nrow(sALK)==1){
    warning("Empty subset combination; data has been subsetted to the nearest input combination") 
    syear <- unique(as.numeric(as.character(sALK$year)))
    sarea <- unique(as.numeric(as.character(sALK$area)))

    sALK2 <- subset(df, year==syear & area==sarea)
    vals <- as.data.frame(table(sALK2$comb_index))
    colnames(vals)[1] <- "comb_index" 

    idx <- which(vals$Freq>1)
    quarterId <- as.numeric(as.character(vals[idx,"comb_index"]))

    imput <- subset(df,year==syear & area==sarea & comb_index==quarterId)  
    dfexp2 <- imput[rep(seq(nrow(imput)), imput$no_at_length_age), 1:ncol(imput)]
    raw2 <- t(table(dfexp2$lenCls, dfexp2$age))
    key2 <- round(prop.table(raw2, margin=1), 3)
    print(key2)

    if(alkplot==TRUE){
      alkPlot(key2,"area",xlab="Age")
    }

  }  else {
    dfexp <- sALK[rep(seq(nrow(sALK)), sALK$no_at_length_age), 1:ncol(sALK)]
    raw <- t(table(dfexp$lenCls, dfexp$age))
    key <- round(prop.table(raw, margin=1), 3)  
    print(key)

    if(alkplot==TRUE){
      alkPlot(key,"area",xlab="Age")
    }
  }

}

当我拥有特定年份和地区组合的至少四分之一的数据时，这解决了我的问题。然而，当我没有特定年份和地区组合的数据时，我仍在努力弄清楚如何处理。在这种情况下，我需要从最近的 Year 中借用数据，其中包含同一地区所有季度的数据。对于上面公开的示例，这意味着对于 year=2007 & area=24 & quarter=1 我将从 year=2006 & area=24 & quarter 1 借用信息，依此类推。

R 中空子集数据帧的数据插补

Data imputation for empty subsetted dataframes in R

r

function

missing-data

dataframe

imputation