关于r:删除data.frame中包含全部或部分NA(缺失值)的行

Remove rows with all or some NAs (missing values) in data.frame

我想删除此数据框中的行:

a)在所有列中包含NA s。 下面是我的示例数据框。

1
2
3
4
5
6
7
             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,我想获得如下的数据框。

1
2
3
             gene hsap mmul mmus rnor cfam
2 ENSG00000199674    0   2    2    2    2
6 ENSG00000221312    0   1    2    3    2

b)只在某些列中包含NA,所以我也可以得到这个结果:

1
2
3
4
             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

还要检查complete.cases

1
2
3
4
> 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NAcomplete.cases允许通过仅包含数据帧的某些列来进行部分选择:

1
2
3
4
5
> 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

您的解决方案无法运作。如果您坚持使用is.na,那么您必须执行以下操作:

1
2
3
4
5
> 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,而且速度更快。


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)。


tidyr有一个新函数drop_na

1
2
3
4
5
6
7
8
9
10
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


我更喜欢按照以下方式检查行是否包含任何NA:

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

这将返回逻辑向量,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:

1
sum(row.has.na)

并最终放弃他们

1
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。


如果您想要更好地控制行被视为无效的另一个选项是

1
final <- final[!(is.na(final$rnor)) | !(is.na(rawdata$cfam)),]

使用上面的,这个:

1
2
3
4
5
6
7
             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:

1
2
3
4
5
6
             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 AND cfam的NA的行。然后可以更改布尔逻辑以满足特定要求。


如果要控制每行有效的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:

1
2
3
delete.na <- function(DF, n=0) {
  DF[rowSums(is.na(DF)) <= n,]
}

默认情况下,它将消除所有NA:

1
2
3
4
delete.na(final)
             gene hsap mmul mmus rnor cfam
2 ENSG00000199674    0    2    2    2    2
6 ENSG00000221312    0    1    2    3    2

或者指定允许的最大NA数:

1
2
3
4
5
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


如果性能优先,请使用data.tablena.omit()以及可选的param cols=

na.omit.data.table是我的基准测试中最快的(见下文),无论是对于所有列还是对于选择列(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.casesna.omit()dplyr::drop_na()快。请注意,na.omit.data.frame不支持cols=

基准测试结果

下面是基于(蓝色),dplyr(粉红色)和data.table(黄色)方法的比较,用于丢弃所有或选择缺失的观察值,在20个数值变量的100万个观测值的概念数据集上,具有独立的5%似然缺失,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,宽度和稀疏度而异。

注意y轴上的对数刻度。

enter image description here

基准脚本

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
#-------  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))
)

使用dplyr包我们可以按如下方式过滤NA:

1
dplyr::filter(df,  !is.na(columnname))

这将返回至少具有一个非NA值的行。

1
final[rowSums(is.na(final))<length(final),]

这将返回至少具有两个非NA值的行。

1
final[rowSums(is.na(final))<(length(final)-1),]

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。

1
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。

1
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。


我们也可以使用子集函数。

1
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


我是合成器:)。在这里,我将答案组合成一个函数:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
#' 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)
}

假设dat作为您的数据帧,可以使用

1. rowSums

1
2
3
4
> 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

1
2
3
4
> 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

1
2
3
4
5
6
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"的数据帧中的所有行,并返回结果数据。如果要检查多个值,如NA?,请将函数参数中的dart=c('NA')更改为dart=c('NA', '?')


我的猜测是,用这种方式可以更优雅地解决这个问题

1
2
3
4
5
6
7
8
9
10
  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


一种通用且产生相当可读代码的方法是在dplyr包(filter_allfilter_atfilter_if)中使用filter函数及其变体:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
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(.))