均值向前填充

与"前一个观测值填充"（last observation carried forward）不同的另一种方法是用之前所有非 NA 值的均值来替换 NA。这称为 mean carried forward（均值向前填充）。同样，在 R 中可读性与速度往往难以兼得。下面的实现更偏向可读性：

na_meancf1 <- function(x) {
  total_not_na <- 0
  n_not_na <- 0
  res <- x
  for(i in seq_along(x)) {
    if(is.na(x[i])) {
      res[i] <- total_not_na / n_not_na
    } else {
      total_not_na <- total_not_na + x[i]
      n_not_na <- n_not_na + 1
    }
  }
  res
}

由于这是一个迭代过程，难以进行向量化。因此我们改为用 C++ 实现。请完成 na_meancf2() 的定义，它是 na_meancf1() 的 C++ 版本。

本练习是课程的一部分

用 Rcpp 优化 R 代码

查看课程

练习说明

在 if 条件中，检查 x 的第 i 个元素是否为 NumericVector 的 NA。
如果条件为真，将第 i 个结果设为非缺失值总和 total_not_na 除以非缺失值个数 n_not_na。
否则，将 x 的第 i 个元素加到 total_not_na 上，并将 n_not_na 加 1。

交互式实操练习

通过完成这段示例代码来试试这个练习。

#include 
using namespace Rcpp; 

// [[Rcpp::export]]
NumericVector na_meancf2(NumericVector x) {
  double total_not_na = 0.0;
  double n_not_na = 0.0;
  NumericVector res = clone(x);
  
  int n = x.size();
  for(int i = 0; i < n; i++) {
    // If ith value of x is NA
    if(___) {
      // Set the ith result to the total of non-missing values 
      // divided by the number of non-missing values
      res[i] = ___ / ___;
    } else {
      // Add the ith value of x to the total of non-missing values
      ___;
      // Add 1 to the number of non-missing values
      ___;
    }
  }  
  return res;
}

/*** R
  library(microbenchmark)
  set.seed(42)
  x <- rnorm(1e5)
  x[sample(1e5, 100)] <- NA  
  microbenchmark( 
    na_meancf1(x), 
    na_meancf2(x), 
    times = 5
  )
*/

编辑并运行代码