Question

鉴于以下示例数据集：

df <- as.data.frame(matrix( c(1, 2, 3, NA, 5, NA, 
                              7, NA, 9, 10, NA, NA), nrow=2, ncol=6))

names(df) <- c(  "varA", "varB", "varC", "varD", "varE", "varF")

print(df)

  varA varB varC varD varE varF
1    1    3    5    7    9   NA
2    2   NA   NA   NA   10   NA

我希望能够在数据集上使用kmeans（...），而无需手动检查或删除变量中包含NA 任何位置的变量。虽然我现在要求kmeans（...）我会对其他事情使用类似的过程，所以一个kmeans（...）特定的答案不能完全回答我的问题。

我喜欢的手册版本是：

kmeans_model <- kmeans(df[, -c(2:4, 6)], 10)

伪代码将是：

kmeans_model <- kmeans(df[, -c(colnames(is.na(df)))], 10)

另外，我不想删除df中的数据。提前谢谢。

（显然kmeans（...）不会对这个示例数据集起作用，但我无法重新创建真实数据集）

Answer 1

以下是两个没有sapply的选项：

kmeans_model <- kmeans(df[, !colSums(is.na(df))], 10)

或

kmeans_model <- kmeans(df[, colSums(is.na(df)) == 0], 10)

说明：

colSums(is.na(df))计算每列的NAs数量，结果为：

colSums(is.na(df))
#varA varB varC varD varE varF 
#   0    1    1    1    0    2

然后

colSums(is.na(df)) == 0     # converts to logical TRUE/FALSE
#varA  varB  varC  varD  varE  varF 
#TRUE FALSE FALSE FALSE  TRUE FALSE

与

相同

!colSums(is.na(df))
#varA  varB  varC  varD  varE  varF 
#TRUE FALSE FALSE FALSE  TRUE FALSE

这两种方法都可以用于仅对逻辑值为TRUE

的列进行子集化

Answer 2

这是我用于列出列名称及其NA数量的通用方法：

sort(colSums(is.na(df)> 0), decreasing = T)

如果您想使用sapply，您也可以参考此代码段：

flights_NA_cols <- sapply(flights, function(x) sum(is.na(x))) 
flights_NA_cols[flights_NA_cols>0]

使用R中的is.na获取包含NA值的列名

2 个答案:

说明：