删除 data.frame 中具有全部或部分 NA（缺失值）的行

Question

我想删除此数据框中的以下行：

a) 在所有列中包含 NAs。 下面是我的示例数据框。

             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，我想得到一个如下所示的数据框。

             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NAs，所以我也可以得到这个结果：

             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

Answer 1

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）。

Answer 2

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 更适合删除所有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

您的解决方案不起作用。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

但是使用complete.cases 会更清晰、更快。

Answer 3

我更喜欢以下方法来检查行是否包含任何 NA：

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

这将返回逻辑向量，其值表示一行中是否有任何 NA。您可以使用它来查看您必须删除多少行：

sum(row.has.na)

并最终放弃它们

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

对于过滤具有特定部分 NA 的行，它变得有点棘手（例如，您可以将 'final[,5:6]' 提供给 'apply'）。 一般来说，Joris Meys 的解决方案似乎更优雅。

Answer 4

如果您想更好地控制行被视为无效的方式，另一个选项是

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

使用上面的，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

变成：

             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适应特定要求。

Answer 5

这将返回至少有一个非 NA 值的行。

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

这将返回至少有两个非 NA 值的行。

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

Answer 6

我们也可以为此使用子集函数。

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

这将只给出那些在 mmul 和 rnor 中都没有 NA 的行

Answer 7

如果您想控制每行有多少 NA 有效，请尝试此功能。对于许多调查数据集，太多的空白问题回答可能会破坏结果。所以它们在一定的阈值后被删除。此功能将允许您选择该行在删除之前可以有多少个 NA：

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

默认情况下，它会消除所有的 NA：

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

Answer 8

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)
}

Answer 9

对于您的第一个问题，我有一个代码可以让我轻松摆脱所有 NA。感谢@Gregor 让它变得更简单。

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

对于第二个问题，代码只是上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，并且在减法后它们变为零。这一次，as.logical 是必要的。

Answer 10

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

Answer 11

假设dat 作为您的数据框，可以使用

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

Answer 12

使用 dplyr 包我们可以过滤 NA 如下：

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

Answer 13

如果性能优先，请使用data.table 和na.omit() 以及可选参数cols=。

na.omit.data.table 在我的基准测试中是最快的（见下文），无论是针对所有列还是针对选择列（OP 问题第 2 部分）。

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

在原版 data.frame 上，complete.cases 比 na.omit() 或 dplyr::drop_na() 快​​。注意na.omit.data.frame 不支持cols=。

基准测试结果

下面是基本（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 20 个数值变量的 100 万个观察值的概念数据集上5% 的缺失可能性，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、宽度和稀疏性而异。

注意y轴上的对数刻度。

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))
)

Answer 14

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)

Above 函数从数据框中删除任何列中包含“NA”的所有行并返回结果数据。如果要检查多个值，例如 NA 和 ?，请将函数参数中的 dart=c('NA') 更改为 dart=c('NA', '?')

Answer 15

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

Answer 16

一种既通用又产生相当可读代码的方法是使用 {dplyr} 包中的 filter() 函数和 across() 辅助函数。

library(dplyr)

vars_to_check <- c("rnor", "cfam")

# Filter a specific list of columns to keep only non-missing entries

df %>% 
  filter(across(one_of(vars_to_check),
                ~ !is.na(.x)))

# Filter all the columns to exclude NA
df %>% 
  filter(across(everything(),
                ~ !is.na(.)))

# Filter only numeric columns
df %>%
  filter(across(where(is.numeric),
                ~ !is.na(.)))

同样，dplyr 包中也有变体函数（filter_all、filter_at、filter_if）完成同样的事情：

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(.))

Answer 17

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

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)))

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