我应该如何将某些NA值更改为在R中选择的指定字符串？

Question

因此，对于我正在为工作而努力的内部R＆amp; d项目的一部分，我需要有效地编程为字符串分配某些na值，bmndits对于“本集未检测到的生物标志物”）。对于上下文，我在一家小型生物技术公司工作，我们提供的服务是我们从客户运行的实验中扫描了各种样本类型中存在的小型生物标志物（每个都有与其相关的唯一样本设置ID）。因此，他们将向我们发送样本，我们扫描数据中的各种生物标志物，然后我们返回热图和实际数据本身。

通常，客户会随着时间的推移进行多个实验，因此他们最终可以获取足够的相关数据。好吧，如果他们从感兴趣的各个人群中收集了足够的样本，他们会希望让我们合并并堆叠数据，因此所有数据都存储在一个不错的，最终的，合并的数据框架中。听起来很容易，对吧？好吧，问题在于，由于并非所有的生物标志物在每个研究中始终存在，所以nas都会引入很多 。的确，在任何给定的研究中，一个人都可能有一个生物标志物，而另一个人则不会在其捐赠样本中检测到它，因此对于该特定的生物标志物的特定个人，它将是一个单个na < /code>条目（虽然有时可能会在一排可能发生） - 这很好，因为显然我们无法控制何时在给定个人中存在生物标志物，因为它是完全随机的。

不过问题是，当我们将数据彼此堆叠以创建此最终合并的数据框架时，当前，如果在给定的总体/样本集ID中未观察到生物标记物，则仅是大量的顺序Na给定列中的值。在我看来，这不是很有描述性的，因此我正在尝试创建一个R函数，该功能将进入并将这些值从仅是常规的旧Na值转换为说bmndits，就是这样，当研究人员正在查看实际数据本身并想对其做事时，他们可以过滤出什么是真正的缺少值和值，而这些价值和值不存在，因为它们不存在在给定的人群中观察到。

因此，我创建了一些正在用于模拟数据的虚假数据，这些数据可能会从三个单独的实验中获得（这些数据存储在我在下面提供的代码中创建的三个“玩具”数据框中）。如果您在下面运行我创建的内容，则最终会导致一个“所有”数据框架由30个（假）个体的30个观察值组成，其中每个生物标志物是一个标记为“ x1”，“ x2”，等等。同样，由于这里的目的是尝试模拟真实数据，因此我做到了，以便有时在一组中存在生物标志物，而不是其他所有产品。这就是为什么列名不一样的原因，有些则具有其他名称。

# loading dplyr
library(dplyr)

# making a couple toy data frames
set.seed(42)
toy_df1 <- as.data.frame(matrix(data = rnorm(n = 100, mean = 0, sd = 1), nrow = 10, ncol = 10))
toy_df2 <- as.data.frame(matrix(data = rnorm(n = 100, mean = 0, sd = 1), nrow = 10, ncol = 10))
toy_df3 <- as.data.frame(matrix(data = rnorm(n = 100, mean = 0, sd = 1), nrow = 10, ncol = 10))

# assigning the names of the various "biomarkers" for this fake data
names(toy_df1) <- c("x1", "x2", "x3", "x4", "x5", "x6", "x7", "x8", "x9", "x10")
names(toy_df2) <- c("x1", "x2", "x3", "x5", "x6", "x7", "x8", "x9", "x10", "x11")
names(toy_df3) <- c("x1", "x3", "x4", "x5", "x7", "x8", "x9", "x10", "x11", "x13")

# adding a dummy SSID to each toy dataframe
toy_df1$SSID <- as.numeric(rep(24001, nrow(toy_df1))) # Sample set ID from the first study
toy_df2$SSID <- as.numeric(rep(24002, nrow(toy_df2))) # Sample set ID from the second study
toy_df3$SSID <- as.numeric(rep(24003, nrow(toy_df3))) # Sample set ID from the third study

# Creating the NA insertion/MakeNA() function I'll need
# to help simulate the randomness that the NA values have
# regarding where they exist in the data
NA_Insert_Inator <- function(x) {
  x %>% mutate(
    across(
      starts_with("x"), 
      function(.x, probMiss) {
        ifelse(runif(nrow(.)) < probMiss, NA, .x)
      },
      probMiss=0.1
    )
  )
}

# Using the above function to randomly replace values in each toy dataframe with NA
toy_df1 <- NA_Insert_Inator(toy_df1)
toy_df2 <- NA_Insert_Inator(toy_df2)
toy_df3 <- NA_Insert_Inator(toy_df3)

# merging the toy data sheets into the "Data All"-esque file; 
# this takes each dataframe and stacks  
# them on top of each other in sequential order of the SSIDs. 
# (Also, lastly I move the SSID columns to be the last columns in the toy_data_all dataframe)
toy_data_all <- bind_rows(toy_df1, toy_df2, toy_df3)
toy_data_all <- toy_data_all %>% select(-SSID, SSID)

因此，如果运行上述代码，则最终应该得到看起来与此相似的东西：

我创建了以下R功能，以更改这些长条纹使它起作用。我可以启动函数，但是当我尝试将其应用于我的toy_data_all数据框架时，我只会在返回中获得null的值。我期望的是那些长条纹（特别是10，因为这是每个研究中的虚假参与者的数量）na值将更改为bmndits 。

我尝试进行操作的方式是基于为每个单个数据框架使用SSID的方法。具体来说，如果对于任何给定的列，则特定SSID的值都等于na，请将其更改为Say BMNDITS。我不确定这里出了什么问题，也许有一种更好，更有效的方法可以解决这个问题。在这里尝试：

BMNDITS_Inator <- function(freshly_merged_df){
  some_new_df <- freshly_merged_df
  for (i in unique(some_new_df[['SSID']])){
    for (j in 1:ncol(some_new_df)){
      if (all(is.na(some_new_df[which(some_new_df[['SSID']] == i), j]))){
        some_new_df[which(some_new_df[['SSID']] == i), j] <- "BMNDITS"
      }
    }
  }

但是，是的，这是我困住的地方，非常感谢任何人的帮助或投入。非常感谢！

Answer 1

我们可以通过'SSID'分组使用一个组，在上中的所有列（afterts（））上循环，然后检查，如果 >，所有值是na，然后替换为“ bmndits”或else> else返回字符转换值（如示例所示，这些列是数字类）

library(dplyr)
toy_data_all %>%
   group_by(SSID) %>% 
   mutate(across(everything(), ~ if(all(is.na(.x))) "BMNDITS" else 
           as.character(.x))) %>%
   ungroup

Answer 2

基本上@akrun做了什么，但仅使用base r：

do.call(rbind, lapply(split(toy_data_all, toy_data_all$SSID), function(df) {
  df[, colSums(is.na(df)) == nrow(df)] <- "BMNDITS"
  df
}))