我想将数据集中所有分类变量的缺失值转换为“无”。我有 100 多个因子变量，我想一次为所有变量执行此操作，而无需在代码中使用它们的名称。
假设我有以下数据集（仅作为示例），并且我想将“x”和“y”等所有因子变量的“NA”替换为“无”作为级别。
x = data.frame(x = as.factor(c(1, 2, NA, 3)), y = as.factor(c(NA, NA, 4, 5)), z=c(1,0,2,NA) )
【问题讨论】：
标签： r replace missing-data
另一种tidyverse 保留因子类的可能性：
x %>%
mutate_if(is.factor, ~ fct_explicit_na(., na_level = "None"))
x y z
1 1 None 1
2 2 None 0
3 None 4 2
4 3 5 NA
【讨论】：
您可以转换为字符、替换和转换回因子，例如像这样：
df <- data.frame(x = as.factor(c(1, 2, NA, 3)), y = as.factor(c(NA, NA, 4, 5)), z=c(1,0,2,NA) )
isf <- sapply(df, is.factor) # check which columns are factors
df[, isf] <- lapply(df[, isf], function(.){
. <- as.character(.) # convert to character
.[is.na(.)] <- "None" # replace NA by "none"
factor(.) # return a factor
})
工作部分的较短版本：
df[, isf] <- lapply(df[, isf], function(.)
factor(replace(as.character(.), is.na(.), "None"))
)
另一种策略（也许更优雅）是首先将“无”添加到每个因素的水平，然后将NA 替换为"None"：
df <- data.frame(x = as.factor(c(1, 2, NA, 3)), y = as.factor(c(NA, NA, 4, 5)), z=c(1,0,2,NA) )
isf <- sapply(df, is.factor) # check which columns are factors
df[, isf] <- lapply(df[, isf], function(.){
levels(.) <- c(levels(.), "None")
replace(., is.na(.), "None")
})
【讨论】：
您可以像这样使用tidyr 包中的replace_na：
library(tidyr)
library(dplyr)
x %>%
mutate(x = as.character(x), y = as.character(y)) %>%
replace_na(list(x = "None", y = "None"))
请注意，您首先必须将感兴趣的列转换为字符，以便可以保存 "None" 字符串。
【讨论】：
这是另一个没有任何包装的答案。只需转换为矩阵并将其全部转换为 'None' 并将其转换回数据帧。它也很快
x=as.matrix(data.frame(x = as.factor(c(1, 2, NA, 3)), y = as.factor(c(NA, NA, 4, 5)), z=c(1,0,2,NA) ))
x[is.na(x)] = 'None'
as.data.frame(x)
【讨论】：
这也可以在基础 R 中使用rapply 巧妙地完成：
## data
dat <- data.frame(x = as.factor(c(1, 2, NA, 3)), y = as.factor(c(NA, NA, 4, 5)), z=c(1,0,2,NA))
## rapply
rapply(dat, function(col) {
if(any(is.na(col))) {
col_na <- addNA(col)
levels(col_na) <- c(levels(col), "None")
col_na
} else col
}, classes = "factor", how = "replace")
#> x y z
#> 1 1 None 1
#> 2 2 None 0
#> 3 None 4 2
#> 4 3 5 NA
基准测试
下面是针对@tmfmk 的 tidyverse 方法的一些小基准测试：
library(dplyr)
library(forcats)
## function to create simulated data.frame
create_df <- function(df_size, prop_NA){
v <- sample(1:100, df_size^2, replace = TRUE)
v[sample(seq_len(df_size^2), prop_NA * df_size^2)] <- NA
data.frame(apply(matrix(v, ncol = df_size), 1, as.factor))
}
## rapply approach
replace_NA_rapply <- function(dat) {
rapply(dat, function(col) {
if(any(is.na(col))) {
col_na <- addNA(col)
levels(col_na) <- c(levels(col), "None")
col_na
} else col
}, classes = "factor", how = "replace")
}
## tidyverse approach
replace_NA_tidy <- function(dat) {
mutate_if(dat, is.factor, ~ fct_explicit_na(., na_level = "None"))
}
## benchmark several data.frame sizes
bnch <- bench::press(
df_size = c(10, 100, 1E3),
prop_NA = c(0.05, 0.5),
{
dat <- create_df(df_size, prop_NA)
bench::mark(
rapply = replace_NA_rapply(dat),
tidyverse = replace_NA_tidy(dat),
min_iterations = 50
)
}
)
bnch
#> # A tibble: 12 x 8
#> expression df_size prop_NA min median `itr/sec` mem_alloc
#> <bch:expr> <dbl> <dbl> <bch:tm> <bch:tm> <dbl> <bch:byt>
#> 1 rapply 10 0.05 118.13µs 132.45µs 7274. 0B
#> 2 tidyverse 10 0.05 1.67ms 1.82ms 529. 1.74MB
#> 3 rapply 100 0.05 3.35ms 3.79ms 256. 1.25MB
#> 4 tidyverse 100 0.05 18.93ms 20.36ms 48.2 1.34MB
#> 5 rapply 1000 0.05 58.3ms 77.28ms 12.3 41.91MB
#> 6 tidyverse 1000 0.05 260.24ms 291.22ms 3.40 52.88MB
#> 7 rapply 10 0.5 253.2µs 286.64µs 3097. 0B
#> 8 tidyverse 10 0.5 2.17ms 2.48ms 369. 1.91KB
#> 9 rapply 100 0.5 3.07ms 3.58ms 272. 1005.53KB
#> 10 tidyverse 100 0.5 18.59ms 19.58ms 50.7 1.12MB
#> 11 rapply 1000 0.5 57.73ms 76.63ms 12.4 41.83MB
#> 12 tidyverse 1000 0.5 249.06ms 319.42ms 3.08 54.53MB
【讨论】：