фильтр для полных случаев в данных.кадр с использованием dplyr (удаление по регистру)

можно ли фильтровать данные.рамка для полных случаев с использованием dplyr? complete.cases со списком всех переменных работает, конечно. Но это а) многословно, когда есть много переменных и Б) невозможно, когда имена переменных неизвестны (например, в функции, которая обрабатывает любые данные.рамка.)

library(dplyr)
df = data.frame(
    x1 = c(1,2,3,NA),
    x2 = c(1,2,NA,5)
)

df %.%
  filter(complete.cases(x1,x2))
6 63
javascript dplyr magrittr

6 ответов:

попробуйте это:

df %>% na.omit

или такой:

df %>% filter(complete.cases(.))

или такой:

library(tidyr)
df %>% drop_na

если вы хотите фильтровать на основе пропускания одной переменной, используйте условное:

df %>% filter(!is.na(x1))

или

df %>% drop_na(x1)

другие ответы указывают на то, что из решений выше na.omit намного медленнее, но это должно быть сбалансировано с тем фактом, что он возвращает и индексы строк пропущенных строк как в то время как другие решения выше не.

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"

добавил обновили, чтобы отразить последнюю версию dplyr и комментарии.

добавил обновили, чтобы отразить последнюю версию tidyr и комментарии.

121

это работает для меня:

df %>%
  filter(complete.cases(df))

или немного более общий:

library(dplyr) # 0.4
df %>% filter(complete.cases(.))

это будет иметь то преимущество, что данные могут быть изменены в цепочке перед передачей его в фильтр.

еще один тест с большим количеством столбцов:

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
25

вот некоторые результаты тестов для ответа Гротендика. не доступно.опустить () занимает в 20 раз больше времени, чем два других решения. Я думаю, было бы неплохо, если бы dplyr имел функцию для этого, возможно, как часть фильтра.

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
13

Это небольшая функция, которая позволяет указать столбцы (в основном все, что dplyr::select может понять), который не должен иметь никаких значений NA (смоделированных после панд df.dropna()):

drop_na <- function(data, ...){
    if (missing(...)){
        f = complete.cases(data)
    } else {
        f <- complete.cases(select_(data, .dots = lazyeval::lazy_dots(...)))
    }
    filter(data, f)
}

[drop_na теперь является частью tidyr: вышеуказанное может быть заменено на library("tidyr")]

примеры:

library("dplyr")
df <- data.frame(a=c(1,2,3,4,NA), b=c(NA,1,2,3,4), ac=c(1,2,NA,3,4))
df %>% drop_na(a,b)
df %>% drop_na(starts_with("a"))
df %>% drop_na() # drops all rows with NAs
9

попробуй такое

df[complete.cases(df),] #output to console

или даже этот

df.complete <- df[complete.cases(df),] #assign to a new data.frame

вышеуказанные команды заботятся о проверке полноты для всех столбцов (переменная) в ваших данных.рамка.

6

просто для полноты картины,dplyr::filter можно избежать вообще, но все еще быть в состоянии составить цепочки только с помощью magrittr:extract (псевдоним [):

library(magrittr)
df = data.frame(
  x1 = c(1,2,3,NA),
  x2 = c(1,2,NA,5))

df %>%
  extract(complete.cases(.), )

дополнительный бонус-это скорость, это самый быстрый способ среди filter и na.omit варианты (проверено с использованием @ Miha Trošt microbenchmarks).

3