جایگزینی اولین مقدار غیر مفقود در R

اولین مقدار غیر مفقود در R را جایگزین کنید

برای بازیابی اولین مقدار غیر مفقود (non-missing value) از بسته dplyr در R، با استفاده از تابع coalesce() استفاده کنید.

دو برنامه معمولی برای این تابع وجود دارد:

مثال 1: برای جایگزینی مقادیر مفقود شده (missing value) در یک بردار، از coalesce() استفاده کنید.

در یک بردار تابع coalesce() می تواند برای پر کردن تمام مقادیر مفقود شده با مقدار 999 با استفاده از کد زیر استفاده شود.

 

library(dplyr)
x <- c(15, NA, 123, NA, 25, 104, 29)

اکنون می توانیم مقادیر از دست رفته را با 999 جایگزین کنیم

 

coalesce(x, 999)
[1]  15 999 123 999  25 104  29

 

اگر به بردار اصلی نگاه کنید، خواهید دید که هر مقدار NA به مقدار 999 تغییر یافته است.

 

مثال 2: برای برگرداندن اولین مقدار غیر مفقود در تمام ستون های چارچوب داده (data frame)، از coalesce() استفاده کنید.

فرض کنید چارچوب داده R را داریم که در زیر نشان داده شده است:

 

df <- data.frame(A=c(110, NA, 25, 36, NA, 227, NA),
                 B=c(104, 95, NA, 13, NA, 120, 44))

 

اکنون می توانیم چارچوب داده را مشاهده کنیم

 

df
   A   B
1 110 104
2  NA  95
3  25  NA
4  36  13
5  NA  NA
6 227 120
7  NA  44

 

همانطور که در کد زیر نشان داده شده است، می توان اولین مقدار گم نشده در ستون های A و B در چارچوب داده را با استفاده از تابع coalesce () برگرداند.

 

library(dplyr)

از مقادیر ستون های A و B یک ستون جدید بسازید.

 

df$C <- coalesce(df$A, df$B)

اکنون می توانیم چارچوب داده به روز شده را مشاهده کنیم

 

df
   A   B   C
1 110 104 110
2  NA  95  95
3  25  NA  25
4  36  13  36
5  NA  NA  NA
6 227 120 227
7  NA  44  44


در نتیجه اولین مقداری که در ستون های A و B وجود ندارد در ستون C یافت می شود.

توجه کنید که سطر 5 که ستون های A و B هر دو دارای مقادیر NA هستند، در ستون C مقدار NA دارد.

اگر مقادیر NA در هر یک از ستون ها وجود داشته باشد، می توانیم به سادگی یک مقدار دیگر به تابع coalesce() اضافه کنیم تا به عنوان مقدار استفاده شود.

 

مطالب زیر را هم از دست ندهید:

اندازه اثر در تحلیل واریانس

نحوه تعیین خودکار تعداد خوشه ها توسط قانون آرنج

هوش مصنوعی (AI) چیست؟ 3 چیز که باید بدانید

تجزیه و تحلیل آماری: تعریف، مثال

روایی نتیجه گیری آماری (SCV) چیست؟

تحلیل سئوال روش تحقیق آزمون دکتری

تحلیل مؤلفه‌های اصلی (PCA)

چگونه نتایج حاشیه خطا را تفسیر کنیم؟

تفسیر ضریب کاپا

تفاوت بین یادگیری ماشین، علم داده، هوش مصنوعی، یادگیری عمیق و آمار

آمار در مقایسه با یادگیری ماشینی در سیستم های بیولوژیک

نحوه ترکیب چندین نمودار در R

 

اشتراک گذاری در facebook
اشتراک گذاری در twitter
اشتراک گذاری در linkedin
اشتراک گذاری در telegram
اشتراک گذاری در whatsapp
نوشته های مرتبط

2 پاسخ

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *