Как интерполировать пропущенные значения в r (включая пример)

Вы можете использовать следующий базовый синтаксис для интерполяции отсутствующих значений в столбце фрейма данных в R:

 library (dplyr)
library (zoo)

df <- df %>%
        mutate(column_name = na. approx (column_name))

В следующем примере показано, как использовать этот синтаксис на практике.

Пример: интерполировать отсутствующие значения в R

Предположим, у нас есть следующий фрейм данных в R, который показывает общий объем продаж, совершенный магазином за 15 дней подряд:

 #create data frame
df <- data. frame (day=1:15,
                 sales=c(3, 6, 8, 10, 14, 17, 20, NA, NA, NA, NA, 35, 39, 44, 49))

#view data frame
df

   day sales
1 1 3
2 2 6
3 3 8
4 4 10
5 5 14
6 6 17
7 7 20
8 8 NA
9 9 NA
10 10 NA
11 11 NA
12 12 35
13 13 39
14 14 44
15 15 49

Обратите внимание, что в таблице данных отсутствуют данные о продажах за четыре дня.

Если бы мы создали простую линейную диаграмму для визуализации продаж с течением времени, она бы выглядела вот так:

 #create line chart to visualize sales
plot(df$sales, type=' o ', pch= 16 , col=' steelblue ', xlab=' Day ', ylab=' Sales ') 

Чтобы заполнить пропущенные значения, мы можем использовать функцию na.approx() из пакета Zoo , а также функцию mutate() из пакета dplyr :

 library (dplyr)
library (zoo)

#interpolate missing values in 'sales' column
df <- df %>%
        mutate(sales = na. approx (sales))

#view updated data frame
df

   day sales
1 1 3
2 2 6
3 3 8
4 4 10
5 5 14
6 6 17
7 7 20
8 8 23
9 9 26
10 10 29
11 11 32
12 12 35
13 13 39
14 14 44
15 15 49

Обратите внимание, что каждое из пропущенных значений заменено.

Если мы создадим еще одну линейную диаграмму для визуализации обновленного фрейма данных, она будет выглядеть вот так:

 #create line chart to visualize sales
plot(df$sales, type=' o ', pch= 16 , col=' steelblue ', xlab=' Day ', ylab=' Sales ') 

Обратите внимание, что значения, выбранные функцией na.approx(), похоже, довольно хорошо соответствуют тенденции данных.

Дополнительные ресурсы

Следующие руководства предоставляют дополнительную информацию о том, как обрабатывать пропущенные значения в R:

Как найти и посчитать пропущенные значения в R
Как все вменить пропущенные значения в R
Как использовать функцию is.na в R