Удалить строки, где все переменные NA с помощью dplyr

у меня возникли некоторые проблемы с, казалось бы, простая задача: удалить все строки, где все переменные NA используя dplyr. Я знаю, что это можно сделать с помощью базы R (удалить строки в матрице R, где все данные NA и удаление пустых строк файла данных в R), но мне любопытно узнать, есть ли простой способ сделать это с помощью dplyr.

пример:

library(tidyverse)
dat <- tibble(a = c(1, 2, NA), b = c(1, NA, NA), c = c(2, NA, NA))
filter(dat, !is.na(a) | !is.na(b) | !is.na(c))

на filter звонок выше делает то, что я хочу, но это невозможно в ситуации, с которой я сталкиваюсь (так как существует большое количество переменных). Думаю, это можно сделать, используя filter_ и сначала создаем строку с (длинным) логическим утверждением, но кажется, что должен быть более простой способ.

другой способ-использовать rowwise() и do():

na <- dat %>% 
  rowwise() %>% 
  do(tibble(na = !all(is.na(.)))) %>% 
  .$na
filter(dat, na)

но это не выглядит слишком хорошо,хотя он получает работу. Другие идеи?

3 ответов


бенчмаркинг

@DavidArenburg предложил ряд альтернатив. Вот простой пример их сравнения.

library(tidyverse)
library(microbenchmark)

n <- 100
dat <- tibble(a = rep(c(1, 2, NA), n), b = rep(c(1, 1, NA), n))

f1 <- function(dat) {
  na <- dat %>% 
    rowwise() %>% 
    do(tibble(na = !all(is.na(.)))) %>% 
    .$na
  filter(dat, na)
}

f2 <- function(dat) {
  dat %>% filter(rowSums(is.na(.)) != ncol(.))
}

f3 <- function(dat) {
  dat %>% filter(rowMeans(is.na(.)) < 1)
}

f4 <- function(dat) {
  dat %>% filter(Reduce(`+`, lapply(., is.na)) != ncol(.))
}

f5 <- function(dat) {
  dat %>% mutate(indx = row_number()) %>% gather(var, val, -indx) %>% group_by(indx) %>% filter(sum(is.na(val)) != n()) %>% spread(var, val) 
}

# f1 is too slow to be included!
microbenchmark(f2 = f2(dat), f3 = f3(dat), f4 = f4(dat), f5 = f5(dat))

используя Reduce и lapply кажется, самый быстрый:

> microbenchmark(f2 = f2(dat), f3 = f3(dat), f4 = f4(dat), f5 = f5(dat))
Unit: microseconds
 expr        min          lq       mean      median         uq        max neval
   f2    909.495    986.4680   2948.913   1154.4510   1434.725 131159.384   100
   f3    946.321   1036.2745   1908.857   1221.1615   1805.405   7604.069   100
   f4    706.647    809.2785   1318.694    960.0555   1089.099  13819.295   100
   f5 640392.269 664101.2895 692349.519 679580.6435 709054.821 901386.187   100

использование большего набора данных 107,880 x 40:

dat <- diamonds
# Let every third row be NA
dat[seq(1, nrow(diamonds), 3), ]  <- NA
# Add some extra NA to first column so na.omit() wouldn't work
dat[seq(2, nrow(diamonds), 3), 1] <- NA
# Increase size
dat <- dat %>% 
  bind_rows(., .) %>%
  bind_cols(., .) %>%
  bind_cols(., .)
# Make names unique
names(dat) <- 1:ncol(dat)
microbenchmark(f2 = f2(dat), f3 = f3(dat), f4 = f4(dat))

f5 слишком медленно, поэтому он также исключается. f4 кажется, сделать относительно лучше, чем раньше.

> microbenchmark(f2 = f2(dat), f3 = f3(dat), f4 = f4(dat))
Unit: milliseconds
 expr      min       lq      mean    median       uq      max neval
   f2 34.60212 42.09918 114.65140 143.56056 148.8913 181.4218   100
   f3 35.50890 44.94387 119.73744 144.75561 148.8678 254.5315   100
   f4 27.68628 31.80557  73.63191  35.36144 137.2445 152.4686   100

поскольку dplyr 0.7.0 новые, ограниченные глаголы фильтрации существуют. Используя filter_any, вы можете легко фильтровать строки хотя бы с одним столбцом:

dat %>% filter_all(any_vars(!is.na(.)))

используя алгоритм бенчмаркинга @hejseb, кажется, что это решение так же эффективно, как f4.


вот еще одно решение, которое использует purrr::map_lgl() и tidyr::nest():

library(tidyverse)

dat <- tibble(a = c(1, 2, NA), b = c(1, NA, NA), c = c(2, NA, NA))

any_not_na <- function(x) {
  !all(map_lgl(x, is.na))
}


dat_cleaned <- dat %>%
  rownames_to_column("ID") %>%
  group_by(ID) %>%
  nest() %>%
  filter(map_lgl(data, any_not_na)) %>%
  unnest() %>%
  select(-ID)
## Warning: package 'bindrcpp' was built under R version 3.4.2

dat_cleaned
## # A tibble: 2 x 3
##       a     b     c
##   <dbl> <dbl> <dbl>
## 1    1.    1.    2.
## 2    2.   NA    NA

Я сомневаюсь, что этот подход сможет конкурировать с эталонами в ответе @hejseb, но я думаю, что он делает довольно хорошую работу, показывая, как nest %>% map %>% unnest шаблон работает, и пользователи могут запускать его по очереди, чтобы выяснить, что происходит.