你问的是imputation，这里有不同的方法来替换空/null/NA值。其中一个方法涉及基于一个或多个其他非空变量的回归值。
我实际上有点自由.你说“2014年和2016年的平均值”，在这种情况下是一样的，但如果出于某种原因，你有2014年和2017年，而缺少2015 - 2016年，那么“平均值”将有偏差，2015-2016年的值相同。

下载

library(dplyr)
quux %>%
  mutate(
    across(-Year, ~ coalesce(.x, approx(Year, .x, xout = Year)$y)),
    .by = PID
  )
#   PID Year Var 1 Var 2 Var 3
# 1   1 2014    10     2     2
# 2   1 2015    15     8     3
# 3   1 2016    12     6     4
# 4   2 2014    11     7     5
# 5   2 2015    16     3     7
# 6   2 2016    14     5     9

字符串
coalesce在逻辑上与ifelse(is.na(.x), approx(..)$y, .x)相同，这意味着如果它不是NA，那么将始终使用原始值。

... across(-Year, ~ approx(Year, .x, xout = Year)$y)

型
（删除coalesce，总是替换所有值），这仍然会导致相同的预期结果。但由于我不知道你的数据的来龙去脉，我想我会更安全的过程。

base R

quux[,-(1:2)] <- lapply(
  quux[,-(1:2)],
  function(V) with(quux,
    ave(as.numeric(1:nrow(quux)), PID,
        FUN = function(i) ifelse(is.na(V[i]), approx(Year[i], V[i], xout=Year[i])$y, V[i]))
  )
)
quux
#   PID Year Var 1 Var 2 Var 3
# 1   1 2014    10     2     2
# 2   1 2015    15     8     3
# 3   1 2016    12     6     4
# 4   2 2014    11     7     5
# 5   2 2015    16     3     7
# 6   2 2016    14     5     9

型
虽然dplyr和朋友有内置的转换分组，但在base R中，我们需要使用类似ave的东西来进行非聚合的按组计算。

• 我使用-(1:2)手动排除了我们不想估算的列;通过指定需要估算的列（如quux[,3:5] <- lapply(quux[,3:5], ...)）也可以轻松完成。
• ave一次只对一个列（向量）起作用，所以不可能在其中直接使用Year和（比如）Var 1。因此，不是告诉ave数据是Var 1，我们使用行索引作为分组变量，并在内部使用它来计算Year和Var #变量的正确索引。
• ave返回与第一个参数相同的类（不管返回的是什么），所以我们强制行索引为numeric而不是integer。不清楚您的数据是numeric还是integer，所以您可以不使用as.numeric。
• 我们 * 可以 *（没有太大的困难）创建自己的coalesce函数（类似于dplyr::coalesce，data.table::fcoalesce和SQL的COALESCE函数）并替换大部分ifelse语句，但是.

数据

quux <- structure(list(PID = c(1L, 1L, 1L, 2L, 2L, 2L), Year = c(2014L, 2015L, 2016L, 2014L, 2015L, 2016L), "Var 1" = c(10L, 15L, 12L, 11L, 16L, 14L), "Var 2" = c(2L, 8L, 6L, 7L, 3L, 5L), "Var 3" = c(2L, NA, 4L, 5L, NA, 9L)), class = "data.frame", row.names = c(NA, -6L))

型