Заменить отсутствующие значения средним по столбцу

Относительно простая модификация вашего кода должна решить проблему:

for(i in 1:ncol(data)){
  data[is.na(data[,i]), i] <- mean(data[,i], na.rm = TRUE)
}

Если DF - ваш фрейм данных из числовых столбцов:

library(zoo)
na.aggregate(DF)

ДОБАВЛЕН:

Используя только базу R, определите функцию, которая делает это для одного столбца, а затем для каждого столбца:

NA2mean <- function(x) replace(x, is.na(x), mean(x, na.rm = TRUE))
replace(DF, TRUE, lapply(DF, NA2mean))

Последнюю строку можно заменить следующей, если можно перезаписать ввод:

DF[] <- lapply(DF, NA2mean)

Чтобы добавить к альтернативам, используя образцы данных @ akrun, я бы сделал следующее:

d1[] <- lapply(d1, function(x) { 
  x[is.na(x)] <- mean(x, na.rm = TRUE)
  x
})
d1

Существует также быстрое решение с использованием пакета imputeTS:

library(imputeTS)
na_mean(yourDataFrame)

mutate_all или mutate_at dplyr могут быть здесь полезны:

library(dplyr)                                                             

set.seed(10)                                                               
df <- data.frame(a = sample(c(NA, 1:3)    , replace = TRUE, 10),           
                 b = sample(c(NA, 101:103), replace = TRUE, 10),                            
                 c = sample(c(NA, 201:203), replace = TRUE, 10))                            

df         

#>     a   b   c
#> 1   2 102 203
#> 2   1 102 202
#> 3   1  NA 203
#> 4   2 102 201
#> 5  NA 101 201
#> 6  NA 101 202
#> 7   1  NA 203
#> 8   1 101  NA
#> 9   2 101 203
#> 10  1 103 201

df %>% mutate_all(~ifelse(is.na(.x), mean(.x, na.rm = TRUE), .x))          

#>        a       b        c
#> 1  2.000 102.000 203.0000
#> 2  1.000 102.000 202.0000
#> 3  1.000 101.625 203.0000
#> 4  2.000 102.000 201.0000
#> 5  1.375 101.000 201.0000
#> 6  1.375 101.000 202.0000
#> 7  1.000 101.625 203.0000
#> 8  1.000 101.000 202.1111
#> 9  2.000 101.000 203.0000
#> 10 1.000 103.000 201.0000

df %>% mutate_at(vars(a, b),~ifelse(is.na(.x), mean(.x, na.rm = TRUE), .x))

#>        a       b   c
#> 1  2.000 102.000 203
#> 2  1.000 102.000 202
#> 3  1.000 101.625 203
#> 4  2.000 102.000 201
#> 5  1.375 101.000 201
#> 6  1.375 101.000 202
#> 7  1.000 101.625 203
#> 8  1.000 101.000  NA
#> 9  2.000 101.000 203
#> 10 1.000 103.000 201

lapply можно использовать вместо for цикла.

d1[] <- lapply(d1, function(x) ifelse(is.na(x), mean(x, na.rm = TRUE), x))

На самом деле у этого нет никаких преимуществ перед циклом for, хотя, возможно, это проще, если у вас также есть нечисловые столбцы, и в этом случае

d1[sapply(d1, is.numeric)] <- lapply(d1[sapply(d1, is.numeric)], function(x) ifelse(is.na(x), mean(x, na.rm = TRUE), x))

почти так же просто.

Вы также можете попробовать:

 cM <- colMeans(d1, na.rm=TRUE)
 indx <- which(is.na(d1), arr.ind=TRUE)
 d1[indx] <- cM[indx[,2]]
 d1  

данные

set.seed(42)
d1 <- as.data.frame(matrix(sample(c(NA,0:5), 5*10, replace=TRUE), ncol=10))

Однострочник с использованием replace_na tidyr является

library(tidyr)
replace_na(mtcars,as.list(colMeans(mtcars,na.rm=T)))

Если в вашем df столбцы не являются числовыми, это требует немного больше работы, чем однострочный.

mean_to_fill <- select_if(ungroup(df), is.numeric) %>%
 colMeans(na.rm=T)

bind_cols(select(df, group1, group2, group3),
          select_if(ungroup(df), is.numeric) %>% 
            tidyr::replace_na(as.list(mean_to_fill))
          ) 

Просто используйте Zoo, он просто заменит все значения NA на среднее значение столбца:

library(zoo)
na.aggregate(data) 

Подобно ответу, указанному @Thomas, это также можно сделать с помощью ifelse() метода R:

for(i in 1:ncol(data)){
  data[,i]=ifelse(is.na(data[,i]),
                  ave(data[,i],FUN=function(y) mean(y, na.rm = TRUE)),
                  data[,i])
}

где аргументы для ifelse(TEST, YES , NO): -

ТЕСТ - логическое условие для проверки

ДА - выполняется, если условие истинно

НЕТ - иначе, когда условие ложно

и ave(x, ..., FUN = mean) - метод в R, используемый для вычисления средних значений подмножеств x []

С пакетом data.table вы можете использовать функцию set() и перебирать столбцы и заменять NAs или что угодно другим агрегатом или значением по вашему выбору (здесь: означает):

require(data.table)

# data
dt = copy(iris[ ,-5])
setDT(dt)
dt[1:4, Sepal.Length := NA] # introduce NAs

# replace NAs with mean (or whatever function you like)
for (j in seq_along(names(dt))) {
  set(dt,
      i = which(is.na(dt[[j]])),
      j = j, 
      value = mean(dt[[j]], na.rm = TRUE))
}