データフレームがあり、一部の列にNA
値があります。
これらのNA
値をゼロに置き換えるにはどうすればよいですか?
データフレームがあり、一部の列にNA
値があります。
これらのNA
値をゼロに置き換えるにはどうすればよいですか?
回答:
@ gsk3回答で私のコメントを参照してください。簡単な例:
> m <- matrix(sample(c(NA, 1:10), 100, replace = TRUE), 10)
> d <- as.data.frame(m)
V1 V2 V3 V4 V5 V6 V7 V8 V9 V10
1 4 3 NA 3 7 6 6 10 6 5
2 9 8 9 5 10 NA 2 1 7 2
3 1 1 6 3 6 NA 1 4 1 6
4 NA 4 NA 7 10 2 NA 4 1 8
5 1 2 4 NA 2 6 2 6 7 4
6 NA 3 NA NA 10 2 1 10 8 4
7 4 4 9 10 9 8 9 4 10 NA
8 5 8 3 2 1 4 5 9 4 7
9 3 9 10 1 9 9 10 5 3 3
10 4 2 2 5 NA 9 7 2 5 5
> d[is.na(d)] <- 0
> d
V1 V2 V3 V4 V5 V6 V7 V8 V9 V10
1 4 3 0 3 7 6 6 10 6 5
2 9 8 9 5 10 0 2 1 7 2
3 1 1 6 3 6 0 1 4 1 6
4 0 4 0 7 10 2 0 4 1 8
5 1 2 4 0 2 6 2 6 7 4
6 0 3 0 0 10 2 1 10 8 4
7 4 4 9 10 9 8 9 4 10 0
8 5 8 3 2 1 4 5 9 4 7
9 3 9 10 1 9 9 10 5 3 3
10 4 2 2 5 0 9 7 2 5 5
申請する必要はありませんapply
。=)
編集する
また、norm
パッケージも確認してください。欠損データ分析のための素晴らしい機能がたくさんあります。=)
df[19:28][is.na(df[19:28])] <- 0
dplyrハイブリッドオプションは、Base Rサブセットの再割り当てよりも約30%高速です。100Mデータポイントでmutate_all(~replace(., is.na(.), 0))
は、データフレームはベースR d[is.na(d)] <- 0
オプションよりも0.5秒速く実行されます。特にを避けたいのは、ifelse()
またはを使用することif_else()
です。(完全な結果については、以下のベンチマーク分析をご覧ください。)
大規模なデータフレームに苦労している場合data.table
は、すべての中で最速のオプションです。標準のBase Rアプローチより40%高速です。また、所定の場所にあるデータを変更して、一度に2倍近くのデータを効率的に処理できるようにします。
場所的に:
mutate_at(c(5:10), ~replace(., is.na(.), 0))
mutate_at(vars(var5:var10), ~replace(., is.na(.), 0))
mutate_at(vars(contains("1")), ~replace(., is.na(.), 0))
contains()
、試してends_with()
、starts_with()
mutate_at(vars(matches("\\d{2}")), ~replace(., is.na(.), 0))
条件付き:(
単一のタイプのみを変更し、他のタイプはそのままにします。)
mutate_if(is.integer, ~replace(., is.na(.), 0))
mutate_if(is.numeric, ~replace(., is.na(.), 0))
mutate_if(is.character, ~replace(., is.na(.), 0))
dplyr 0.8.0向けに更新:関数はpurrr形式の~
記号を使用:非推奨のfuns()
引数を置き換えます。
# Base R:
baseR.sbst.rssgn <- function(x) { x[is.na(x)] <- 0; x }
baseR.replace <- function(x) { replace(x, is.na(x), 0) }
baseR.for <- function(x) { for(j in 1:ncol(x))
x[[j]][is.na(x[[j]])] = 0 }
# tidyverse
## dplyr
dplyr_if_else <- function(x) { mutate_all(x, ~if_else(is.na(.), 0, .)) }
dplyr_coalesce <- function(x) { mutate_all(x, ~coalesce(., 0)) }
## tidyr
tidyr_replace_na <- function(x) { replace_na(x, as.list(setNames(rep(0, 10), as.list(c(paste0("var", 1:10)))))) }
## hybrid
hybrd.ifelse <- function(x) { mutate_all(x, ~ifelse(is.na(.), 0, .)) }
hybrd.replace_na <- function(x) { mutate_all(x, ~replace_na(., 0)) }
hybrd.replace <- function(x) { mutate_all(x, ~replace(., is.na(.), 0)) }
hybrd.rplc_at.idx<- function(x) { mutate_at(x, c(1:10), ~replace(., is.na(.), 0)) }
hybrd.rplc_at.nse<- function(x) { mutate_at(x, vars(var1:var10), ~replace(., is.na(.), 0)) }
hybrd.rplc_at.stw<- function(x) { mutate_at(x, vars(starts_with("var")), ~replace(., is.na(.), 0)) }
hybrd.rplc_at.ctn<- function(x) { mutate_at(x, vars(contains("var")), ~replace(., is.na(.), 0)) }
hybrd.rplc_at.mtc<- function(x) { mutate_at(x, vars(matches("\\d+")), ~replace(., is.na(.), 0)) }
hybrd.rplc_if <- function(x) { mutate_if(x, is.numeric, ~replace(., is.na(.), 0)) }
# data.table
library(data.table)
DT.for.set.nms <- function(x) { for (j in names(x))
set(x,which(is.na(x[[j]])),j,0) }
DT.for.set.sqln <- function(x) { for (j in seq_len(ncol(x)))
set(x,which(is.na(x[[j]])),j,0) }
DT.nafill <- function(x) { nafill(df, fill=0)}
DT.setnafill <- function(x) { setnafill(df, fill=0)}
library(microbenchmark)
# 20% NA filled dataframe of 10 Million rows and 10 columns
set.seed(42) # to recreate the exact dataframe
dfN <- as.data.frame(matrix(sample(c(NA, as.numeric(1:4)), 1e7*10, replace = TRUE),
dimnames = list(NULL, paste0("var", 1:10)),
ncol = 10))
# Running 600 trials with each replacement method
# (the functions are excecuted locally - so that the original dataframe remains unmodified in all cases)
perf_results <- microbenchmark(
hybrid.ifelse = hybrid.ifelse(copy(dfN)),
dplyr_if_else = dplyr_if_else(copy(dfN)),
hybrd.replace_na = hybrd.replace_na(copy(dfN)),
baseR.sbst.rssgn = baseR.sbst.rssgn(copy(dfN)),
baseR.replace = baseR.replace(copy(dfN)),
dplyr_coalesce = dplyr_coalesce(copy(dfN)),
tidyr_replace_na = tidyr_replace_na(copy(dfN)),
hybrd.replace = hybrd.replace(copy(dfN)),
hybrd.rplc_at.ctn= hybrd.rplc_at.ctn(copy(dfN)),
hybrd.rplc_at.nse= hybrd.rplc_at.nse(copy(dfN)),
baseR.for = baseR.for(copy(dfN)),
hybrd.rplc_at.idx= hybrd.rplc_at.idx(copy(dfN)),
DT.for.set.nms = DT.for.set.nms(copy(dfN)),
DT.for.set.sqln = DT.for.set.sqln(copy(dfN)),
times = 600L
)
> print(perf_results) Unit: milliseconds expr min lq mean median uq max neval hybrd.ifelse 6171.0439 6339.7046 6425.221 6407.397 6496.992 7052.851 600 dplyr_if_else 3737.4954 3877.0983 3953.857 3946.024 4023.301 4539.428 600 hybrd.replace_na 1497.8653 1706.1119 1748.464 1745.282 1789.804 2127.166 600 baseR.sbst.rssgn 1480.5098 1686.1581 1730.006 1728.477 1772.951 2010.215 600 baseR.replace 1457.4016 1681.5583 1725.481 1722.069 1766.916 2089.627 600 dplyr_coalesce 1227.6150 1483.3520 1524.245 1519.454 1561.488 1996.859 600 tidyr_replace_na 1248.3292 1473.1707 1521.889 1520.108 1570.382 1995.768 600 hybrd.replace 913.1865 1197.3133 1233.336 1238.747 1276.141 1438.646 600 hybrd.rplc_at.ctn 916.9339 1192.9885 1224.733 1227.628 1268.644 1466.085 600 hybrd.rplc_at.nse 919.0270 1191.0541 1228.749 1228.635 1275.103 2882.040 600 baseR.for 869.3169 1180.8311 1216.958 1224.407 1264.737 1459.726 600 hybrd.rplc_at.idx 839.8915 1189.7465 1223.326 1228.329 1266.375 1565.794 600 DT.for.set.nms 761.6086 915.8166 1015.457 1001.772 1106.315 1363.044 600 DT.for.set.sqln 787.3535 918.8733 1017.812 1002.042 1122.474 1321.860 600
ggplot(perf_results, aes(x=expr, y=time/10^9)) +
geom_boxplot() +
xlab('Expression') +
ylab('Elapsed Time (Seconds)') +
scale_y_continuous(breaks = seq(0,7,1)) +
coord_flip()
qplot(y=time/10^9, data=perf_results, colour=expr) +
labs(y = "log10 Scaled Elapsed Time per Trial (secs)", x = "Trial Number") +
coord_cartesian(ylim = c(0.75, 7.5)) +
scale_y_log10(breaks=c(0.75, 0.875, 1, 1.25, 1.5, 1.75, seq(2, 7.5)))
データセットが大きく取得する場合、Tidyr 'のは、replace_na
歴史的に前に引き出さていました。実行する100Mデータポイントの現在のコレクションにより、ベースR Forループとほぼ同じように実行されます。異なるサイズのデータフレームで何が起こるか知りたいです。
mutate
and summarize
_at
および_all
関数のバリアントの追加の例は、https://rdrr.io/cran/dplyr/man/summarise_all.htmlで見つけることができます。
さらに、https://blog.exploratoryで、役立つデモと例のコレクションを見つけました。 io / dplyr-0-5-is-awesome-heres-why-be095fd4eb8a
特別な感謝を込めて:
local()
、および(フランクの忍耐強い助けもあり)、これらのアプローチの多くを高速化する際にサイレント強制が果たす役割。 coalesce()
関数を追加して分析を更新します。data.table
最終的にそれらをラインナップに含めるのに十分な機能を理解するためのグレゴール。is.numeric()
実際にテストするものを説明するためのRoman 。(もちろん、これらのアプローチが有用であると思われる場合は、連絡を取り、賛成票を投じてください。)
私の 数値の使用に関する注意:純粋な整数データセットがある場合、すべての関数がより高速に実行されます。alexiz_lazの作品をご覧くださいをしてください。IRL、10〜15%を超える整数を含むデータセットに遭遇したことを思い出せないため、これらのテストを完全に数値のデータフレームで実行しています。
ハードウェア使用 3.9 GHz CPU、24 GB RAM
df1[j][is.na(df1[j])] = 0
は間違っていると思います、それは間違っているはずですdf1[[j]][is.na(df1[[j]])] = 0
forLp_Sbst
誰もがそれに取り組むことを検討する必要がある方法とは思えないforLp_smplfSbst
coalesce()
オプションを追加し、常に再実行しました。ナッジを更新していただきありがとうございます。
単一のベクトルの場合:
x <- c(1,2,NA,4,5)
x[is.na(x)] <- 0
data.frameの場合は、上記の関数を作成しapply
てから列に追加します。
ここで詳しく説明するように、次回は再現可能な例を提供してください。
is.na
ジェネリック関数であり、data.frame
クラスのオブジェクト用のメソッドがあります。これはdata.frame
s でも機能します!
methods(is.na)
初めて走ったときは、ワァァァァッ!。そのようなことが起こると私は大好きです!=)
ではdplyr
0.5.0、あなたが使用することができcoalesce
、容易に統合することができる機能%>%
行うことにより、パイプラインをcoalesce(vec, 0)
。これにより、すべてのNAが置き換えられますvec
0にられます。
NA
sを含むデータフレームがあるとします。
library(dplyr)
df <- data.frame(v = c(1, 2, 3, NA, 5, 6, 8))
df
# v
# 1 1
# 2 2
# 3 3
# 4 NA
# 5 5
# 6 6
# 7 8
df %>% mutate(v = coalesce(v, 0))
# v
# 1 1
# 2 2
# 3 3
# 4 0
# 5 5
# 6 6
# 7 8
replace()
置換NA
する行列またはベクトルで使用するより一般的な方法0
例えば:
> x <- c(1,2,NA,NA,1,1)
> x1 <- replace(x,is.na(x),0)
> x1
[1] 1 2 0 0 1 1
これはifelse()
、dplyr
df = data.frame(col = c(1,2,NA,NA,1,1))
df <- df %>%
mutate(col = replace(col,is.na(col),0))
levels(A$x) <- append(levels(A$x), "notAnswered") A$x <- replace(A$x,which(is.na(A$x)),"notAnswered")
which
ここでは必要ありませんx1 <- replace(x,is.na(x),1)
。使用できます。
NA
に0
大規模なデータフレームに一つだけの特定の列に、この機能はreplace()
最も効果もしばらく最も単純に働きました。
因子変数のNAを置き換える場合は、次のようにすると便利です。
n <- length(levels(data.vector))+1
data.vector <- as.numeric(data.vector)
data.vector[is.na(data.vector)] <- n
data.vector <- as.factor(data.vector)
levels(data.vector) <- c("level1","level2",...,"leveln", "NAlevel")
因子ベクトルを数値ベクトルに変換し、別の人工的な数値因子レベルを追加します。次に、選択した「NAレベル」を1つ追加して因子ベクトルに変換します。
@ianmunozの投稿にコメントしたはずですが、評判がよくありません。あなたは組み合わせることができdplyr
さんmutate_each
とreplace
の世話をするためNA
に0
交換。@ aL3xaの回答からのデータフレームを使用しています...
> m <- matrix(sample(c(NA, 1:10), 100, replace = TRUE), 10)
> d <- as.data.frame(m)
> d
V1 V2 V3 V4 V5 V6 V7 V8 V9 V10
1 4 8 1 9 6 9 NA 8 9 8
2 8 3 6 8 2 1 NA NA 6 3
3 6 6 3 NA 2 NA NA 5 7 7
4 10 6 1 1 7 9 1 10 3 10
5 10 6 7 10 10 3 2 5 4 6
6 2 4 1 5 7 NA NA 8 4 4
7 7 2 3 1 4 10 NA 8 7 7
8 9 5 8 10 5 3 5 8 3 2
9 9 1 8 7 6 5 NA NA 6 7
10 6 10 8 7 1 1 2 2 5 7
> d %>% mutate_each( funs_( interp( ~replace(., is.na(.),0) ) ) )
V1 V2 V3 V4 V5 V6 V7 V8 V9 V10
1 4 8 1 9 6 9 0 8 9 8
2 8 3 6 8 2 1 0 0 6 3
3 6 6 3 0 2 0 0 5 7 7
4 10 6 1 1 7 9 1 10 3 10
5 10 6 7 10 10 3 2 5 4 6
6 2 4 1 5 7 0 0 8 4 4
7 7 2 3 1 4 10 0 8 7 7
8 9 5 8 10 5 3 5 8 3 2
9 9 1 8 7 6 5 0 0 6 7
10 6 10 8 7 1 1 2 2 5 7
ここでは標準評価(SE)を使用しているため、「」の下線が必要funs_
です。また、lazyeval
「interp
/ 」と「参照するすべてのもの」~
の.
参照、つまりデータフレームを使用します。今、ゼロがあります!
使用できます replace()
例えば:
> x <- c(-1,0,1,0,NA,0,1,1)
> x1 <- replace(x,5,1)
> x1
[1] -1 0 1 0 1 0 1 1
> x1 <- replace(x,5,mean(x,na.rm=T))
> x1
[1] -1.00 0.00 1.00 0.00 0.29 0.00 1.00 1.00
NA
ベクトルのs のインデックスがわかっている場合にのみ実用的です。あなたの例のように小さなベクトルには問題ありません。
x1 <- replace(x,is.na(x),1)
は、インデックス値を明示的にリストしなくても機能します。
複数のカラムで機能dplyr
するtidyr
メソッドreplace_na
を備えた別のパイプ互換オプション:
require(dplyr)
require(tidyr)
m <- matrix(sample(c(NA, 1:10), 100, replace = TRUE), 10)
d <- as.data.frame(m)
myList <- setNames(lapply(vector("list", ncol(d)), function(x) x <- 0), names(d))
df <- d %>% replace_na(myList)
たとえば数値列に簡単に制限できます。
d$str <- c("string", NA)
myList <- myList[sapply(d, is.numeric)]
df <- d %>% replace_na(myList)
そのための専用機能(nafill
/ setnafill
)は最近のdata.table
バージョンにあります
install.packages("data.table", repos="https://Rdatatable.gitlab.io/data.table")
library(data.table)
ans_df = nafill(df, fill=0)
setnafill(df, fill=0) # this one updates in-place