我想删除此数据框中的行：
a） 在所有列中包含
NA
。 以下是我的示例数据框。
gene hsap mmul mmus rnor cfam
1 ENSG00000208234 0 NA NA NA NA
2 ENSG00000199674 0 2 2 2 2
3 ENSG00000221622 0 NA NA NA NA
4 ENSG00000207604 0 NA NA 1 2
5 ENSG00000207431 0 NA NA NA NA
6 ENSG00000221312 0 1 2 3 2
基本上，我想获取如下数据框。
gene hsap mmul mmus rnor cfam
2 ENSG00000199674 0 2 2 2 2
6 ENSG00000221312 0 1 2 3 2
b） 仅在某些列中包含
NA
，因此我也可以得到以下结果：
gene hsap mmul mmus rnor cfam
2 ENSG00000199674 0 2 2 2 2
4 ENSG00000207604 0 NA NA 1 2
6 ENSG00000221312 0 1 2 3 2
#1楼
如果您想更好地控制如何将行视为无效的另一种选择是
final <- final[!(is.na(final$rnor)) | !(is.na(rawdata$cfam)),]
使用上面的代码，这是：
gene hsap mmul mmus rnor cfam
1 ENSG00000208234 0 NA NA NA 2
2 ENSG00000199674 0 2 2 2 2
3 ENSG00000221622 0 NA NA 2 NA
4 ENSG00000207604 0 NA NA 1 2
5 ENSG00000207431 0 NA NA NA NA
6 ENSG00000221312 0 1 2 3 2
成为：
gene hsap mmul mmus rnor cfam
1 ENSG00000208234 0 NA NA NA 2
2 ENSG00000199674 0 2 2 2 2
3 ENSG00000221622 0 NA NA 2 NA
4 ENSG00000207604 0 NA NA 1 2
6 ENSG00000221312 0 1 2 3 2
...仅删除第5行，因为它是唯一包含
rnor
和
cfam
NA的行。 然后可以更改布尔逻辑以适合特定要求。
#2楼
这将返回至少具有一个非NA值的行。
final[rowSums(is.na(final))<length(final),]
这将返回至少具有两个非NA值的行。
final[rowSums(is.na(final))<(length(final)-1),]
#3楼
我们也可以为此使用子集功能。
finalData<-subset(data,!(is.na(data["mmul"]) | is.na(data["rnor"])))
这样只会给出mmul和rnor中都没有NA的那些行
#4楼
如果要控制每行有效的NA数量，请尝试使用此功能。 对于许多调查数据集，太多的空白问题答案可能会破坏结果。 因此，它们会在某个阈值之后被删除。 此功能将允许您选择在删除行之前可以拥有多少个NA：
delete.na <- function(DF, n=0) {
DF[rowSums(is.na(DF)) <= n,]
}
默认情况下，它将消除所有NA：
delete.na(final)
gene hsap mmul mmus rnor cfam
2 ENSG00000199674 0 2 2 2 2
6 ENSG00000221312 0 1 2 3 2
或指定允许的最大NA数：
delete.na(final, 2)
gene hsap mmul mmus rnor cfam
2 ENSG00000199674 0 2 2 2 2
4 ENSG00000207604 0 NA NA 1 2
6 ENSG00000221312 0 1 2 3 2
#5楼
我是合成器：）。 在这里，我将答案合并为一个函数：
#' keep rows that have a certain number (range) of NAs anywhere/somewhere and delete others
#' @param df a data frame
#' @param col restrict to the columns where you would like to search for NA; eg, 3, c(3), 2:5, "place", c("place","age")
#' \cr default is NULL, search for all columns
#' @param n integer or vector, 0, c(3,5), number/range of NAs allowed.
#' \cr If a number, the exact number of NAs kept
#' \cr Range includes both ends 3<=n<=5
#' \cr Range could be -Inf, Inf
#' @return returns a new df with rows that have NA(s) removed
#' @export
ez.na.keep = function(df, col=NULL, n=0){
if (!is.null(col)) {
# R converts a single row/col to a vector if the parameter col has only one col
# see https://radfordneal.wordpress.com/2008/08/20/design-flaws-in-r-2-%E2%80%94-dropped-dimensions/#comments
df.temp = df[,col,drop=FALSE]
} else {
df.temp = df
}
if (length(n)==1){
if (n==0) {
# simply call complete.cases which might be faster
result = df[complete.cases(df.temp),]
} else {
# credit: http://stackoverflow.com/a/30461945/2292993
log <- apply(df.temp, 2, is.na)
logindex <- apply(log, 1, function(x) sum(x) == n)
result = df[logindex, ]
}
}
if (length(n)==2){
min = n[1]; max = n[2]
log <- apply(df.temp, 2, is.na)
logindex <- apply(log, 1, function(x) {sum(x) >= min && sum(x) <= max})
result = df[logindex, ]
}
return(result)
}
#6楼
对于您的第一个问题，我有一个适合摆脱所有NA的代码。 感谢@Gregor使它更简单。
final[!(rowSums(is.na(final))),]
对于第二个问题，代码只是先前解决方案的替代。
final[as.logical((rowSums(is.na(final))-5)),]
注意-5是数据中的列数。 这将消除具有所有NA的行，因为rowSums总计为5，并且在相减后变为零。 这一次，逻辑上是必要的。
#7楼
tidyr
有一个新函数
drop_na
：
library(tidyr)
df %>% drop_na()
# gene hsap mmul mmus rnor cfam
# 2 ENSG00000199674 0 2 2 2 2
# 6 ENSG00000221312 0 1 2 3 2
df %>% drop_na(rnor, cfam)
# gene hsap mmul mmus rnor cfam
# 2 ENSG00000199674 0 2 2 2 2
# 4 ENSG00000207604 0 NA NA 1 2
# 6 ENSG00000221312 0 1 2 3 2
#8楼
假设
dat
为数据框，则可以使用以下命令获得预期的输出
1.
rowSums
> dat[!rowSums((is.na(dat))),]
gene hsap mmul mmus rnor cfam
2 ENSG00000199674 0 2 2 2 2
6 ENSG00000221312 0 1 2 3 2
2.
lapply
> dat[!Reduce('|',lapply(dat,is.na)),]
gene hsap mmul mmus rnor cfam
2 ENSG00000199674 0 2 2 2 2
6 ENSG00000221312 0 1 2 3 2
#9楼
使用dplyr包，我们可以按以下方式过滤NA：
dplyr::filter(df, !is.na(columnname))
#10楼
尝试
na.omit(your.data.frame)
。 至于第二个问题，请尝试将其发布为另一个问题（为清楚起见）。
#11楼
还检查
complete.cases
：
> final[complete.cases(final), ]
gene hsap mmul mmus rnor cfam
2 ENSG00000199674 0 2 2 2 2
6 ENSG00000221312 0 1 2 3 2
na.omit
对于删除所有
NA
来说更好。
complete.cases
通过仅包含数据帧的某些列来允许部分选择：
> final[complete.cases(final[ , 5:6]),]
gene hsap mmul mmus rnor cfam
2 ENSG00000199674 0 2 2 2 2
4 ENSG00000207604 0 NA NA 1 2
6 ENSG00000221312 0 1 2 3 2
您的解决方案无法正常工作。 如果您坚持使用
is.na
，那么您必须执行以下操作：
> final[rowSums(is.na(final[ , 5:6])) == 0, ]
gene hsap mmul mmus rnor cfam
2 ENSG00000199674 0 2 2 2 2
4 ENSG00000207604 0 NA NA 1 2
6 ENSG00000221312 0 1 2 3 2
但是使用
complete.cases
更加清晰，快捷。
#12楼
我更喜欢以下方法来检查行是否包含任何NA：
row.has.na <- apply(final, 1, function(x){any(is.na(x))})
这将返回逻辑向量，其值表示一行中是否存在任何NA。 您可以使用它查看必须删除的行数：
sum(row.has.na)
最后放下
final.filtered <- final[!row.has.na,]
对于使用NA的某些部分过滤行，将变得有些棘手（例如，您可以将'final [，5：6]'馈送到'apply'）。 通常，Joris Meys的解决方案似乎更优雅。
#13楼
如果优先考虑性能，请使用 data.table
na.omit()
cols=
data.table
na.omit()
cols=
无论对于所有列还是选择列（OP问题第2部分），
na.omit.data.table
都是我基准测试中最快的（请参见下文）。
如果您不想使用 data.table
complete.cases()
data.table
complete.cases()
在
data.frame
，
complete.cases
比
na.omit()
或
dplyr::drop_na()
更快。 请注意，
na.omit.data.frame
不支持
cols=
。
基准结果
这是基准（蓝色），
dplyr
（粉红色）和
data.table
（黄色）方法的比较，这些方法用于删除100个观测值的名义数据集上的全部或选择丢失的观测值或选择缺失的观测值，这些观测值包含20个数值变量，且独立概率为5％缺失，以及第2部分的4个变量的子集。
您的结果可能会因特定数据集的长度，宽度和稀疏性而异。
注意y轴上的对数刻度。
基准脚本
#------- Adjust these assumptions for your own use case ------------
row_size <- 1e6L
col_size <- 20 # not including ID column
p_missing <- 0.05 # likelihood of missing observation (except ID col)
col_subset <- 18:21 # second part of question: filter on select columns
#------- System info for benchmark ----------------------------------
R.version # R version 3.4.3 (2017-11-30), platform = x86_64-w64-mingw32
library(data.table); packageVersion('data.table') # 1.10.4.3
library(dplyr); packageVersion('dplyr') # 0.7.4
library(tidyr); packageVersion('tidyr') # 0.8.0
library(microbenchmark)
#------- Example dataset using above assumptions --------------------
fakeData <- function(m, n, p){
set.seed(123)
m <- matrix(runif(m*n), nrow=m, ncol=n)
m[m<p] <- NA
return(m)
}
df <- cbind( data.frame(id = paste0('ID',seq(row_size)),
stringsAsFactors = FALSE),
data.frame(fakeData(row_size, col_size, p_missing) )
)
dt <- data.table(df)
par(las=3, mfcol=c(1,2), mar=c(22,4,1,1)+0.1)
boxplot(
microbenchmark(
df[complete.cases(df), ],
na.omit(df),
df %>% drop_na,
dt[complete.cases(dt), ],
na.omit(dt)
), xlab='',
main = 'Performance: Drop any NA observation',
col=c(rep('lightblue',2),'salmon',rep('beige',2))
)
boxplot(
microbenchmark(
df[complete.cases(df[,col_subset]), ],
#na.omit(df), # col subset not supported in na.omit.data.frame
df %>% drop_na(col_subset),
dt[complete.cases(dt[,col_subset,with=FALSE]), ],
na.omit(dt, cols=col_subset) # see ?na.omit.data.table
), xlab='',
main = 'Performance: Drop NA obs. in select cols',
col=c('lightblue','salmon',rep('beige',2))
)
#14楼
delete.dirt <- function(DF, dart=c('NA')) {
dirty_rows <- apply(DF, 1, function(r) !any(r %in% dart))
DF <- DF[dirty_rows, ]
}
mydata <- delete.dirt(mydata)
上面的函数删除任何列中具有“ NA”的数据框中的所有行，并返回结果数据。 如果要检查多个值，例如
NA
和
?
将参数
dart=c('NA')
更改为
dart=c('NA', '?')
#15楼
我的猜测是，这样可以更优雅地解决
m <- matrix(1:25, ncol = 5)
m[c(1, 6, 13, 25)] <- NA
df <- data.frame(m)
library(dplyr)
df %>%
filter_all(any_vars(is.na(.)))
#> X1 X2 X3 X4 X5
#> 1 NA NA 11 16 21
#> 2 3 8 NA 18 23
#> 3 5 10 15 20 NA
#16楼
一种通用且产生相当可读的代码的方法是在dplyr包（
filter_all
，
filter_at
，
filter_if
）中使用
filter
函数及其变体：
library(dplyr)
vars_to_check <- c("rnor", "cfam")
# Filter a specific list of columns to keep only non-missing entries
df %>%
filter_at(.vars = vars(one_of(vars_to_check)),
~ !is.na(.))
# Filter all the columns to exclude NA
df %>%
filter_all(~ !is.na(.))
# Filter only numeric columns
df %>%
filter_if(is.numeric,
~ !is.na(.))
![粒子滤波流程[图]](data:image/gif;base64,R0lGODlhAQABAIAAAP///wAAACwAAAAAAQABAAACAkQBADs=)