R：汇总多列（数字、字符）并删除 NA答案

【问题标题】：R: summarise multiple column (numeric, character) and remove NAsR：汇总多列（数字、字符）并删除 NA
【发布时间】：2016-04-23 18:20:13
【问题描述】：

我有一个包含许多列 (~50) 的 data.frame。其中一些是字符，一些是数字，其中 3 个用于分组。

我需要：

从数字列中删除 NA
计算每个数字列的平均值
提取字符列的第一个元素

假设我们正在使用修改后的虹膜数据，如下所示：

data(iris)
iris$year <- rep(c(2000,3000),each=25) ## for grouping
iris$color <- rep(c("red","green","blue"),each=50) ## character column
iris[1,] <- NA ## introducing NAs

我总共有大约 50 列，数字和字符混合在一起。我一直在尝试类似的东西：

giris <- group_by(iris, Species, year)
cls <- unlist(sapply(giris, class)) ## find out classes
action <- ifelse(cls == "numeric", "mean", "first")
action <- paste(action)
summarise_each(giris, action)

我得到的是组中所有列的含义，然后是相应组中具有第一个值的列。而且 NA 没有得到处理……这不是我所寻求的……

帮助任何人？

【问题讨论】：

标签： r dplyr na.rm

【解决方案1】：

您可以在summarise_each 的funs 中使用if/else 试试这个：

iris %>% 
  group_by(Species, year) %>% 
  summarise_each(funs(if(is.numeric(.)) mean(., na.rm = TRUE) else first(.)))

由于您在分组列中也有一些 NA，您可以添加 filter 语句：

iris %>% 
  filter(!is.na(Species) & !is.na(year)) %>% 
  group_by(Species, year) %>% 
  summarise_each(funs(if(is.numeric(.)) mean(., na.rm = TRUE) else first(.)))
#Source: local data frame [6 x 7]
#Groups: Species [?]
#
#     Species  year Sepal.Length Sepal.Width Petal.Length Petal.Width color
#      (fctr) (dbl)        (dbl)       (dbl)        (dbl)       (dbl) (chr)
#1     setosa  2000        5.025    3.479167       1.4625       0.250   red
#2     setosa  3000        4.984    3.376000       1.4640       0.244   red
#3 versicolor  2000        6.012    2.776000       4.3120       1.344 green
#4 versicolor  3000        5.860    2.764000       4.2080       1.308 green
#5  virginica  2000        6.576    2.928000       5.6400       2.044  blue
#6  virginica  3000        6.600    3.020000       5.4640       2.008  blue

为避免颜色列（或任何非数字列）中可能出现 NA，您可以将其修改为 first(na.omit(.))。

你也可以试试data.table:

library(data.table)
setDT(iris)
iris[!is.na(Species) & !is.na(year), lapply(.SD, function(x) {
     if(is.numeric(x)) mean(x, na.rm = TRUE) else x[!is.na(x)][1L]}), 
     by = list(Species, year)]
#      Species year Sepal.Length Sepal.Width Petal.Length Petal.Width color
#1:     setosa 2000        5.025    3.479167       1.4625       0.250   red
#2:     setosa 3000        4.984    3.376000       1.4640       0.244   red
#3: versicolor 2000        6.012    2.776000       4.3120       1.344 green
#4: versicolor 3000        5.860    2.764000       4.2080       1.308 green
#5:  virginica 2000        6.576    2.928000       5.6400       2.044  blue
#6:  virginica 3000        6.600    3.020000       5.4640       2.008  blue

【讨论】：

我认为您可能想在group_by 上方添加na.omit()，但这是问题的要点。
@JasonAizkalns，我不这么认为——这可能会删除许多应该保留的行。但我同意filter(!is.na(Species) & !is.na(year)) 是有意义的
这是一个非常好的和（最重要的）工作解决方案，它还可以让我们一睹 summarise_each 的幕后工作。我真的非常感谢它，Doncendo :-)。同时，您认为有没有办法加快速度？
@rpl，很高兴它对你有用。我认为这段代码在 dplyr 中不会有显着的性能。您可以尝试将first(na.omit(.)) 替换为.[!is.na(.)][1L]。我还可以使用 data.table 添加类似的方法，这可能会更快。

【解决方案2】：

我试试看：

1。对于您提到的第一点，我会执行以下操作（第二点不是必需的）：

na.omit(iris[ , which(sapply(iris, class) == "numeric")])

要分隔 numeric 或 character 的列，我使用以下内容：

iris[ , which(sapply(iris, class) == "numeric")]
iris[ , which(sapply(iris, class) == "character")]

2。第二个任务我把上面这行和colMeans结合起来：

colMeans(iris[ , which(sapply(iris, class) == "numeric")], na.rm = TRUE)

3。要提取字符列的第一个元素，您可以简单地执行以下操作：

iris[1, which(sapply(iris, class) == "character")]

在提到的虹膜数据的情况下，第一行完全是 NA，甚至是字符列，所以我会迭代找到第一个非 NA 行

k <- 1
while(any(is.na(FirstCharacterElement <- iris[k, which(sapply(iris, class) == "character")]))){
  k <- k + 1
}

注意类因子（在 iris 数据的情况下，它会分解代码，其中 Species 列属于类因子并且您可能希望它是一个字符列。您可以使用 sapply(iris, class) 进行检查并更改它与例如

iris$Species <- as.character(iris$Species) #or with similar column names

当您读入数据时，您可以提及函数read.table、read.csv 或类似函数的参数stringsAsFactors = FALSE。

【讨论】：