是否可以使用 dplyr 为完整案例过滤 data.frame？当然，complete.cases 包含所有变量的列表。但这是 a) 当有很多变量时很冗长 b) 当变量名称未知时是不可能的（例如，在处理任何 data.frame 的函数中）。
library(dplyr)
df = data.frame(
x1 = c(1,2,3,NA),
x2 = c(1,2,NA,5)
)
df %.%
filter(complete.cases(x1,x2))
【问题讨论】：
complete.cases 不仅接受向量。它也需要整个数据帧。
dplyr 的过滤功能。我想我不够清楚并更新了我的问题。
dplyr >= 1.0.4
if_any 和 if_all 在 dplyr 的较新版本中可用，以在 filter 函数中应用类似于 across 的语法。如果您的数据框中有其他变量不属于您认为的完整案例的一部分，这可能会很有用。例如，如果您只希望以“x”开头的列中没有缺失的行：
library(dplyr)
df = data.frame(
x1 = c(1,2,3,NA),
x2 = c(1,2,NA,5),
y = c(NA, "A", "B", "C")
)
df %>%
dplyr::filter(if_all(starts_with("x"), ~!is.na(.)))
x1 x2 y
1 1 1 <NA>
2 2 2 A
有关这些功能的更多信息，请参阅link。
【讨论】：
试试这个：
df %>% na.omit
或者这个：
df %>% filter(complete.cases(.))
或者这个：
library(tidyr)
df %>% drop_na
如果要根据一个变量的缺失进行过滤，请使用条件：
df %>% filter(!is.na(x1))
或
df %>% drop_na(x1)
其他答案表明na.omit 上面的解决方案要慢得多，但这必须与它返回na.action 属性中省略行的行索引的事实相平衡，而上面的其他解决方案则没有。
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"
添加已更新以反映最新版本的 dplyr 和 cmets。
添加已更新以反映最新版本的 tidyr 和 cmets。
【讨论】：
na.omit() 性能很差，但速度很快。
df %>% filter(complete.cases(.))。不确定最近 dplyr 的变化是否使这成为可能。
drop_na，所以你现在可以这样做：df %>% drop_na()。
以下是格洛腾迪克回复的一些基准测试结果。 na.omit() 花费的时间是其他两个解决方案的 20 倍。我认为如果 dplyr 有一个功能可能会作为过滤器的一部分。
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
【讨论】：
这是一个简短的函数，可让您指定不应有任何 NA 值的列（基本上是 dplyr::select 可以理解的所有内容）（以 pandas df.dropna() 为模型）：
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 is now part of tidyr: 上面可以替换成library("tidyr")]
例子：
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
【讨论】：
为了完整起见，dplyr::filter 可以完全避免，但仍然可以通过使用magrittr:extract（[ 的别名）来组成链：
library(magrittr)
df = data.frame(
x1 = c(1,2,3,NA),
x2 = c(1,2,NA,5))
df %>%
extract(complete.cases(.), )
额外的好处是速度，这是filter 和na.omit 变体中最快的方法（使用@Miha Trošt 微基准测试）。
【讨论】：
extract() 几乎比 filter() 慢十倍。但是，当我用df <- df[1:100, 1:10] 创建一个较小的数据框时，图片会发生变化，extract() 是最快的。
magrittr::extract 只有在 Miha Trošt 基准测试中 n <= 5e3 时才是最快的方式。
这对我有用：
df %>%
filter(complete.cases(df))
或者更笼统一点：
library(dplyr) # 0.4
df %>% filter(complete.cases(.))
这样做的好处是数据可以在传递给过滤器之前在链中进行修改。
另一个具有更多列的基准：
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
【讨论】：
df %>% slice(which(complete.cases(.))) 的执行速度比上述基准测试中的过滤器方法快约 20%。
%>% data.frame() %>%。案例（。）因为它不适用于小标题或分组小标题或其他东西。或者至少，这是我的经历。
试试这个
df[complete.cases(df),] #output to console
甚至这个
df.complete <- df[complete.cases(df),] #assign to a new data.frame
上述命令负责检查所有列（变量）的完整性 在你的 data.frame 中。
【讨论】：
dplyr 作为过滤器功能的一部分。这将允许在 dplyr 链等中进行巧妙的集成。
dplyr:::do.data.frame 中，env$. <- .data 语句将点添加到环境中。 magrittr::"%>%"`中没有这样的语句`