R中按组划分的缺失值数量

Question

我有一个包含多个缺失值 (NA) 的数据框，在名为 Group 的列中分为多个组 (A、B、C、D、E、F)。我正在尝试在 R 中对其进行分析。

我想将属于每个组的行/记录数制成表格，或者更好的是每个组内的行/记录的比例（即该组内的行/记录总数），它们具有：> = 1 NA（即至少 1 个缺失值），>=2 NA，>=3 NA，>=4 NA，依此类推（最多 n NA，我将预先定义）。

我想只使用基本 R 和 dplyr。我想一个解决方案将从df %>% group_by(Group) 开始，但我不确定从那里去哪里。

有什么想法吗？

编辑：让我们以虹膜作为数据：

iris0 <- iris
set.seed(101)
iris0[sample(150,40),1] <- NA
iris0[sample(150,40),2] <- NA
iris0[sample(150,40),3] <- NA
iris0[sample(150,40),4] <- NA

此时我想要（在提供max_n=7 之后）一个类似于以下的表格

                1 NAs 2 NAs 3 NAs 4 NAs
1   setosa      30    13    3   0   0   0   0
2   versicolor  40    18    5   0   0   0   0
3   virginica   36    13    2   0   0   0   0
4   Total      106    44    10  0   0   0   0
5   (%)       70.67 29.33   6.67    0.00    0.00    0.00    0.00

实际上，我想出了一个使用 rowsums 和 lapply 的方法，但我想知道是否有人可以提供更有效的方法（使用 base R 和 dplyr），例如用聚合什么的。将 lapply 结果拆箱成上述表格也是一大难题。

此外，最好将数字除以每个类中的总记录（对于每个类中的比例）。

Answer 1

虽然您没有提供数据，但我想您有以下类型的（简化的）问题

Z = data.frame(Group = c("A", "A", "B", "B", "C", "C", "C"), 
               value = c(1, NA, 1, 1, NA, NA, 1))
  Group value
1     A     1
2     A    NA
3     B     1
4     B     1
5     C    NA
6     C    NA
7     C     1

现在您想计算每个组中不为 NA 的条目的比例，对吗？

你可以这样做

aggregate(value ~ Group, 
          data = Z, 
          function(x) {
                       sum(!is.na(x))/length(x)
                       }, 
          na.action = NULL)

并获得结果

  Group     value
1     A 0.5000000
2     B 1.0000000
3     C 0.3333333 

编辑：

提供数据后，我们需要稍微调整代码以得出结果。

先做

Test = iris0 %>% 
  dplyr::mutate(NAS = rowSums(is.na(.))) %>% 
  dplyr::group_by(Species) 

然后我们做

aggregate(NAS ~ Species, 
          data = Test, 
          function(x) {
            table(x)
          }
)

到达

     Species NAS.0 NAS.1 NAS.2 NAS.3
1     setosa    20    17    10     3
2 versicolor    10    22    13     5
3  virginica    14    23    11     2

编辑二：

解决您在 cmets 中的其他问题：

(1) 您可以按通常的方式进行索引和提取，例如

Test[Test$NAS == 3 & Test$Species == "virginica"]

(2)我们也可以通过

的方式得到例子的自制累加表

Z = aggregate(NAS ~ Species, 
      data = Test, 
      function(x) {
        table(x)
      }
)
(t(
   apply(Z[,2:dim(Z)[2]], 1, cumsum)
                                    ) 
                                      - 50)*(-1)

结果

      0  1 2 3
[1,] 30 13 3 0
[2,] 40 18 5 0
[3,] 36 13 2 0

当然，这是一个快速修复，但有效。请注意，在一般情况下，您需要将 50 替换为组计数的向量。

(3) 它在 3 个 NA 处停止，因为根本没有更多的列可以容纳更多的 NA。