R 我试图识别数据集中行中缺失值的模式

我正在尝试查找行中缺少值的模式

例如，如果我有此数据集：

        a   b    c    d
        1   0.1  NA   NA
        2   NA   3    4
        5   NA   6    NA

我预计产出为：

      n  a   b  c   d  m
      1  0   0  1   1  2
      1  0   1  0   0  1
      1  0   1  0   1  2

其中n列表示m列中缺失值的行数，1表示缺失值（n列和m列除外）。也就是说，输出的第一行解释如下：1行缺失变量c和d的2个值；第二行：变量b中的1行缺少1个值，依此类推

我曾尝试在extracat包（存档版本）中使用subtable（）函数，但在每个变量中找不到缺失值的位置。我只能找到频率

rowmiss<-rowSums(is.na(dat1[1:ncol(dat1)]))
r1<-matrix(rowmiss, nrow=nrow(dat1))
subtable(rowmiss,1)

---

rowmiss这里有一个整洁的方法。
n
列似乎是多余的，是否应该执行其他操作

library(tidyverse)
df %>%
  rowid_to_column() %>%
  gather(col, val, -rowid) %>%
  mutate(val = is.na(val) * 1) %>%
  group_by(rowid) %>% mutate(m = sum(val)) %>% ungroup() %>%
  spread(col, val) %>%
  mutate(n = 1) %>%
  select(n, a:d, m)

# A tibble: 3 x 6
      n     a     b     c     d     m
  <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1     1     0     0     1     1     2
2     1     0     1     0     0     1
3     1     0     1     0     1     2

库（tidyverse）
df%>%
rowid_到_列（）%>%
聚集（列，值，-rowid）%>%
突变（val=is.na（val）*1）%>%
分组依据（rowid）%%>%变异（m=sum（val））%%>%ungroup（）%%
排列（列，值）%>%
突变（n=1）%>%
选择（n，a:d，m）
#一个tibble:3x6
n a b c d m
1     1     0     0     1     1     2
2     1     0     1     0     0     1
3     1     0     1     0     1     2
这里有一个整洁的方法。
n
列似乎是多余的，是否应该执行其他操作

library(tidyverse)
df %>%
  rowid_to_column() %>%
  gather(col, val, -rowid) %>%
  mutate(val = is.na(val) * 1) %>%
  group_by(rowid) %>% mutate(m = sum(val)) %>% ungroup() %>%
  spread(col, val) %>%
  mutate(n = 1) %>%
  select(n, a:d, m)

# A tibble: 3 x 6
      n     a     b     c     d     m
  <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1     1     0     0     1     1     2
2     1     0     1     0     0     1
3     1     0     1     0     1     2

库（tidyverse）
df%>%
rowid_到_列（）%>%
聚集（列，值，-rowid）%>%
突变（val=is.na（val）*1）%>%
分组依据（rowid）%%>%变异（m=sum（val））%%>%ungroup（）%%
排列（列，值）%>%
突变（n=1）%>%
选择（n，a:d，m）
#一个tibble:3x6
n a b c d m
1     1     0     0     1     1     2
2     1     0     1     0     0     1
3     1     0     1     0     1     2
使用
tidyverse执行此操作的另一种方法是：

library(tidyverse)

df %>%
    mutate_all(~ is.na(.) %>% as.numeric()) %>%
    mutate(m = rowSums(.)) %>%
    group_by_all() %>%
    count() 

输出（如果进一步使用
df
，您可能还需要
ungroup（）
）：

#一个tible:3 x 6
#组：a、b、c、d、m[3]
a b c d m n
1     0     0     1     1     2     1
2     0     1     0     0     1     1
3     0     1     0     1     2     1

mices:：md.pattern（）
基本上也可以实现您想要的功能，但会返回一个包含行名中一些有用信息的矩阵，因此需要进行一些处理才能进入数据帧。
使用
tidyverse
实现此功能的另一种方法：

library(tidyverse)

df %>%
    mutate_all(~ is.na(.) %>% as.numeric()) %>%
    mutate(m = rowSums(.)) %>%
    group_by_all() %>%
    count() 

输出（如果进一步使用
df
，您可能还需要
ungroup（）
）：

#一个tible:3 x 6
#组：a、b、c、d、m[3]
a b c d m n
1     0     0     1     1     2     1
2     0     1     0     0     1     1
3     0     1     0     1     2     1

mices:：md.pattern（）
基本上也可以实现您想要的功能，但会返回一个包含行名中一些有用信息的矩阵，因此需要进行一些处理才能进入数据帧。
naniar
包提供了一些有趣的方法来查看缺失模式，像
nabular
函数：
naniar
包提供了一些有趣的方法来查看丢失模式，像
nabular
函数：
n
是按
is.na（dat[c（“a”、“b”、“c”、“d”））分组的行数。
我想@Jon，这个建议很好，但是当我使用大型数据集时，
m
列中的值并不是我真正想要的。我对此感到困惑。它们与您期望的输出或其他答案不同吗？
n
是按
is.na（dat[c（“a”、“b”、“c”、“d”）]）分组的行数。
我认为@Jon，这个建议很好，但是
m列中的值并不是我使用大型数据集时真正想要的值。我对此感到困惑。它们与您期望的输出或其他答案不同吗？此建议完全符合我的要求，当我在频率表中分组值时，我的结果与``md.pattern（）``值相符。此建议完全符合我的要求，当我在频率表中分组值时，我的结果与``md.pattern（）相符```价值观。