使用dplyr筛选data.frame中的完整事例(按事例删除)
是否可以使用dplyr过滤data.frame中的完整案例?当然,用所有变量的列表来完成.cases是有效的。但是,当有很多变量时,这是冗长的;当变量名未知时,这是不可能的,例如在处理任何data.frame的函数中使用dplyr筛选data.frame中的完整事例(按事例删除),r,dplyr,magrittr,R,Dplyr,Magrittr,是否可以使用dplyr过滤data.frame中的完整案例?当然,用所有变量的列表来完成.cases是有效的。但是,当有很多变量时,这是冗长的;当变量名未知时,这是不可能的,例如在处理任何data.frame的函数中 library(dplyr) df = data.frame( x1 = c(1,2,3,NA), x2 = c(1,2,NA,5) ) df %.% filter(complete.cases(x1,x2)) 试试这个 df[complete.cases(
library(dplyr)
df = data.frame(
x1 = c(1,2,3,NA),
x2 = c(1,2,NA,5)
)
df %.%
filter(complete.cases(x1,x2))
试试这个
df[complete.cases(df),] #output to console
甚至这个
df.complete <- df[complete.cases(df),] #assign to a new data.frame
上述命令负责检查所有变量列的完整性
在data.frame中。尝试以下操作:
library(dplyr)
df = data.frame(
x1 = c(1,2,3,NA),
x2 = c(1,2,NA,5)
)
df %.%
filter(complete.cases(x1,x2))
df %>% na.omit
或者这个:
df %>% filter(complete.cases(.))
library(tidyr)
df %>% drop_na
或者这个:
df %>% filter(complete.cases(.))
library(tidyr)
df %>% drop_na
如果要基于一个变量的缺失进行筛选,请使用条件:
df %>% filter(!is.na(x1))
或
其他答案表明,na.omit上面的解决方案的速度要慢得多,但这必须与它返回na.action属性中被省略行的行索引这一事实相平衡,而上面的其他解决方案则没有
str(df %>% na.omit)
## 'data.frame': 2 obs. of 2 variables:
## $ x1: num 1 2
## $ x2: num 1 2
## - attr(*, "na.action")= 'omit' Named int 3 4
## ..- attr(*, "names")= chr "3" "4"
已添加更新,以反映dplyr的最新版本和评论
添加了更新以反映最新版本的tidyr和评论。以下是Grothendieck回复的一些基准测试结果。na.omit需要的时间是其他两种解决方案的20倍。我认为如果dplyr有一个函数来实现这一点会很好,也许可以作为过滤器的一部分
library('rbenchmark')
library('dplyr')
n = 5e6
n.na = 100000
df = data.frame(
x1 = sample(1:10, n, replace=TRUE),
x2 = sample(1:10, n, replace=TRUE)
)
df$x1[sample(1:n, n.na)] = NA
df$x2[sample(1:n, n.na)] = NA
benchmark(
df %>% filter(complete.cases(x1,x2)),
df %>% na.omit(),
df %>% (function(x) filter(x, complete.cases(x)))()
, replications=50)
# test replications elapsed relative
# 3 df %.% (function(x) filter(x, complete.cases(x)))() 50 5.422 1.000
# 1 df %.% filter(complete.cases(x1, x2)) 50 6.262 1.155
# 2 df %.% na.omit() 50 109.618 20.217
这对我很有用:
df %>%
filter(complete.cases(df))
或者更一般一点:
library(dplyr) # 0.4
df %>% filter(complete.cases(.))
这样做的好处是,在将数据传递给过滤器之前,可以在链中修改数据
另一个包含更多列的基准:
set.seed(123)
x <- sample(1e5,1e5*26, replace = TRUE)
x[sample(seq_along(x), 1e3)] <- NA
df <- as.data.frame(matrix(x, ncol = 26))
library(microbenchmark)
microbenchmark(
na.omit = {df %>% na.omit},
filter.anonymous = {df %>% (function(x) filter(x, complete.cases(x)))},
rowSums = {df %>% filter(rowSums(is.na(.)) == 0L)},
filter = {df %>% filter(complete.cases(.))},
times = 20L,
unit = "relative")
#Unit: relative
# expr min lq median uq max neval
# na.omit 12.252048 11.248707 11.327005 11.0623422 12.823233 20
#filter.anonymous 1.149305 1.022891 1.013779 0.9948659 4.668691 20
# rowSums 2.281002 2.377807 2.420615 2.3467519 5.223077 20
# filter 1.000000 1.000000 1.000000 1.0000000 1.000000 20
这是一个简短的函数,它允许您指定dplyr::select可以理解的所有列,这些列不应具有任何模仿熊猫的NA值:
为了完整起见,dplyr::filter可以完全避免,但仍然可以使用magrittr:extract别名[: 额外的好处是速度,这是使用@Miha Trošt微基准测试的过滤器和na.omit变体中最快的方法。dplyr>=1.0.4 在较新版本的dplyr中,if_any和if_all可用于在筛选器函数中应用类似语法。如果数据帧中有其他变量不属于您认为完整的情况,这可能会很有用。例如,如果您只希望在以x开头的列中不缺少行:
library(dplyr)
df = data.frame(
x1 = c(1,2,3,NA),
x2 = c(1,2,NA,5),
y = c(NA, "A", "B", "C")
)
df %>%
dplyr::filter(if_all(starts_with("x"), ~!is.na(.)))
x1 x2 y
1 1 1 <NA>
2 2 2 A
有关这些函数的更多信息,请参见此。complete.cases不只是接受向量。它还需要整个数据帧。但这不能作为dplyr的过滤函数的一部分。我想我还不够清楚,并更新了我的问题。如果你能确切地演示它如何不与dplyr一起工作,那会有所帮助,但当我尝试使用它时h filter,它工作得很好。谢谢。虽然问题更新了,但我想我还不够清楚。我知道complete.casesdf,但我想使用dplyr作为筛选函数的一部分。这将允许在dplyr链等中进行整洁的集成。请通过@G.GrothendieckIn dplyr:::do.data.frame语句env$检查答案。抱歉,必须输入d注释放错了地方。刚回来回答,看到了你有用的答案!谢谢!我添加了一些基准测试结果。na.omit执行得很差,但这个很快。现在也可以使用:df%>%filtercomplete.cases..不确定dplyr中最近的更改是否使这成为可能。正如@jan katins指出的,调用了Tidyverse函数drop_na,所以你现在可以做:df%>%drop_na。我在complete.cases中更新了你的答案,并添加了基准-希望你不介意:-:我不介意。谢谢。我发现df%>%slicewhichcomplete.cases。执行速度比上述基准中的过滤方法快约20%。值得注意的是,如果你在dplyr管道中与oth一起使用此过滤器er dplyr命令,如group_by,在尝试对complete.cases进行筛选之前,您需要添加%>%data.frame%>%,因为它对TIBLES或分组TIBLES或其他东西不起作用。或者至少,这是我的经验。当我使用Miha Trošt的数据进行基准测试时,我发现使用extract的速度要慢十倍han filter。但是,当我用df创建一个更小的数据帧时,你是正确的。看起来magrittr::extract是最快的方法,只有当n能够添加0.5这样的截止值并按列处理时才更有用?案例:消除50%以上缺失数据的变量。例如:数据[,-whichmeansis.nadata>0.5]如果能用tidyr做到这一点就太好了。@Monduiz这意味着在变量有大量NA的地方添加更多数据可能会在管道的下一步失败,因为现在缺少所需的变量…对,这是有意义的。
library(dplyr)
df = data.frame(
x1 = c(1,2,3,NA),
x2 = c(1,2,NA,5),
y = c(NA, "A", "B", "C")
)
df %>%
dplyr::filter(if_all(starts_with("x"), ~!is.na(.)))
x1 x2 y
1 1 1 <NA>
2 2 2 A