删除data.frame中包含全部或部分NA（缺失值）的行

时间：2011-02-01 11:52:31

标签： r dataframe filter missing-data r-faq

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，我想获得如下数据框。

             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，因此我也可以获得此结果：

             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

17 个答案:

答案 0 :(得分：951)

同时检查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可以更好地删除所有NA。 complete.cases允许通过仅包含数据框的某些列来进行部分选择：

> 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

您的解决方案无效。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

但使用complete.cases要清晰得多，速度要快得多。

答案 1 :(得分：228)

试试na.omit(your.data.frame)。至于第二个问题，请尝试将其作为另一个问题发布（为清楚起见）。

答案 2 :(得分：83)

我更喜欢按照以下方式检查行是否包含任何NA：

row.has.na <- apply(final, 1, function(x){any(is.na(x))})

返回逻辑向量，其值表示行中是否存在任何NA。您可以使用它来查看要删除的行数：

sum(row.has.na)

并最终放弃他们

final.filtered <- final[!row.has.na,]

为了过滤具有某些NA的行，它变得有点棘手（例如，你可以将'final [，5：6]'提供给'apply'）。 一般来说，Joris Meys的解决方案似乎更优雅。

答案 3 :(得分：80)

tidyr有一个新功能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

答案 4 :(得分：40)

如果您希望更好地控制行被视为无效的另一个选项是

final <- final[!(is.na(final$rnor)) | !(is.na(rawdata$cfam)),]

使用上面的内容，这个：

             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

变为：

             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的NA的行。然后可以更改布尔逻辑以满足特定要求。

答案 5 :(得分：35)

如果您想控制每行有效的NA数，请尝试此功能。对于许多调查数据集，太多空白问题响应可能会破坏结果。所以在一定的阈值后删除它们。此功能允许您选择在删除行之前可以拥有多少个NAs：

delete.na <- function(DF, n=0) {
  DF[rowSums(is.na(DF)) <= n,]
}

默认情况下，它将消除所有NAs：

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

答案 6 :(得分：27)

如果优先考虑性能，请使用data.table和na.omit()与可选参数cols=。

na.omit.data.table是我的基准测试中最快的（见下文），无论是所有列还是选择列（OP问题第2部分）。

如果您不想使用data.table，请使用complete.cases()。

在香草data.frame上，complete.cases比na.omit()或dplyr::drop_na()快。请注意，na.omit.data.frame不支持cols=。

基准测试结果

以下是基础（蓝色），dplyr（粉红色）和data.table（黄色）方法的比较，用于删除所有或选择缺失的观察值，在100万个观测值的概念数据集中数字变量具有独立的5％丢失可能性，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，宽度和稀疏度而异。

注意y轴上的对数刻度。

enter image description here

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))
)

答案 7 :(得分：17)

使用dplyr包我们可以按如下方式过滤NA：

dplyr::filter(df,  !is.na(columnname))

答案 8 :(得分：16)

这将返回至少有一个非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),]

答案 9 :(得分：14)

对于你的第一个问题，我有一个代码，我很乐意摆脱所有的NA。感谢@Gregor让它变得更简单。

final[!(rowSums(is.na(final))),]

对于第二个问题，代码只是前一个解决方案的替代。

final[as.logical((rowSums(is.na(final))-5)),]

请注意，-5是数据中的列数。这将消除所有NA的行，因为rowSums加起来为5，并且它们在减法后变为零。这一次，as.logical是必要的。

答案 10 :(得分：13)

我们也可以使用子集函数。

finalData<-subset(data,!(is.na(data["mmul"]) | is.na(data["rnor"])))

这将只给出mmul和rnor

中没有NA的那些行

答案 11 :(得分：9)

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)
}

答案 12 :(得分：7)

假设dat为您的数据帧，可以使用

实现预期输出

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

答案 13 :(得分：4)

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)

上面的函数会删除数据框中包含＆＃39; NA＆＃39;的所有行。在任何列中并返回结果数据。如果您要检查多个值，例如NA和?，请将函数参数中的dart=c('NA')更改为dart=c('NA', '?')

答案 14 :(得分：3)

我的猜测是，这可以通过这种方式更优雅地解决

  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

答案 15 :(得分：1)

一种通用且产生相当可读的代码的方法是在dplyr软件包（filter，filter_all，filter_at）中使用filter_if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(.))

答案 16 :(得分：1)

dplyr 1.0.4 向 filter 引入了两个伴随函数：它们是 if_any() 和 if_all()。在这种情况下，if_all() 伴随函数将特别有用：

a) 删除所有列中包含 NA 的行

df %>% 
  filter(if_all(everything(), ~ !is.na(.x)))

此行将仅保留所有列都没有 NA 的行。

b) 删除仅在某些列中包含 NA 的行

cols_to_check = c("rnor", "cfam")

df %>% 
  filter(if_all(cols_to_check, ~ !is.na(.x)))

这一行将检查是否有任何指定的列 (cols_to_check) 有 NA，并且只保留那些不是这种情况的行。

相关问题
最新问题