Question

我找不到类似的问题，尽管我怀疑以前没有发布过。我的问题与 Calculate using dplyr, percentage of NA'S in each column。

在每个受试者有多个观察值的数据集中，不仅要计算丢失数据条目的总数（即每列的NA总数），而且多少个受试者具有某种。

例如，在数据集db（请参见下文）中，item_1丢失了2个主题，item_2丢失了1个主题。

编辑1：我感兴趣的是每个项目有多少个科目具有（任何）缺失值。即使在item_2中对于主题1缺少两个观察值，由于它仍然是同一主题，因此也应计为1。

library("dplyr")

db <- data.frame(
  subject = c(1, 1, 1, 2),
  item_1 = c(NA, 2, 3, NA),
  item_2 = c(1, NA, NA, 4)
)
db
#>   subject item_1 item_2
#> 1       1     NA      1
#> 2       1      2     NA
#> 3       1      3     NA
#> 4       2     NA      4

到目前为止，我的方法是将所有单个计算cbind合并为一个新的data.frame，但这很快就会变得混乱（包含更多列），并且肯定编码不正确。

编辑1 ：但是，这显示了所需的值，因为两个主题（1个和 2个）缺少item_1，而第二个主题仅缺少item_2 1个主题（主题2）。

cbind(
  db %>%
    filter(is.na(item_1)) %>%
    summarise(na_item_1 = n_distinct(subject)),
  db %>%
    filter(is.na(item_2)) %>%
    summarise(na_item_2 = n_distinct(subject))
)
#>   na_item_1 na_item_2
#> 1         2         1

问题：dplyr中是否有计算方法？

理想情况下，我还想在某处添加丢失的比例（如下例所示）：

data.frame(
  type = c("n", "proportion"),
  na_item_1 = c(2, 1.0),
  na_item_2 = c(1, 0.5)
)
#>         type na_item_1 na_item_2
#> 1          n       2.0       1.0
#> 2 proportion       1.0       0.5

^{由reprex package（v0.2.1）于2019-04-16创建}

谢谢！

Answer 1

另一个dplyr版本是首先group_by subject并找出具有any NA值的组，然后是group_by列和计算NA的{{1}} s的总值，并将其除以n的总唯一值，得到subject。

prop

Answer 2

评估每个项目和每个ID的NA数量的另一种tidyverse可能性是：

db %>%
 gather(var, val, -subject) %>%
 group_by(var, subject) %>%
 summarise(val = sum(is.na(val))) %>%
 spread(var, val)

  subject item_1 item_2
    <dbl>  <int>  <int>
1       1      1      2
2       2      1      0

或者如果您想要NA的总数和每个ID的NA比例：

db %>%
 gather(var, val, -subject) %>%
 group_by(subject) %>%
 summarise(count = sum(is.na(val)),
           proportion = sum(is.na(val))/n())

  subject count proportion
    <dbl> <int>      <dbl>
1       1     3        0.5
2       2     1        0.5

或者，如果您只希望每个项目的NA数量和比例：

bind_rows(db %>%
 select(-subject) %>%
 gather(var, val) %>%
 group_by(var) %>%
 summarise(val = sum(is.na(val))) %>%
 spread(var, val) %>%
 mutate(type = "count"),
 db %>%
 select(-subject) %>%
 gather(var, val) %>%
 group_by(var) %>%
 summarise(val = sum(is.na(val))/n()) %>%
 spread(var, val) %>%
 mutate(type = "proportion"))

  item_1 item_2 type      
   <dbl>  <dbl> <chr>     
1    2      2   count     
2    0.5    0.5 proportion

或者，如果您希望每个主题的不重复主题的数量和比例为：

bind_rows(db %>%
 gather(var, val, -subject) %>%
 filter(is.na(val)) %>%
 group_by(var) %>%
 summarise(val = n_distinct(subject)) %>%
 spread(var, val) %>%
 mutate(type = "count"),
 db %>%
 gather(var, val, -subject) %>%
 group_by(var) %>%
 mutate(n = n_distinct(subject)) %>%
 filter(is.na(val)) %>%
 group_by(var) %>%
 summarise(val = first(n_distinct(subject)/n)) %>%
 spread(var, val) %>%
 mutate(type = "proportion"))

  item_1 item_2 type      
   <dbl>  <dbl> <chr>     
1      2    1   count     
2      1    0.5 proportion

使用dplyr根据分组变量计算NA的值

2 个答案: