查找两个变量的成对完整数据的最简单方法是什么？

Question

假设您有两个都有一些缺失数据的变量，但是这些缺失数据可能不会完全重叠。 查找没有丢失值的公共数据点数量的最简单方法是什么？ 有内置功能吗？

一种方法是使函数如下所示：

pairwise.miss = function(x, y) {
  #deal with input types
  x = as.vector(x)
  y = as.vector(y)
  #make combined object
  c = cbind(x, y)
  #remove NA rows
  c = c[complete.cases(c), ]
  #return length
  return(nrow(c))
}

另一个想法是使用一些返回成对完整数据的函数。 例如，来自Hmisc rcorr()执行此操作，但是可能会给非数字数据带来错误。 所以：

rcorr(x, y)$n[1,2]

有更容易的方法吗？

Answer 1

您可以简单地在complete.cases()和sum()输出中列出两个变量。

x <- c(1, 2, 3, NA, NA, NA, 5)
y <- c(1, NA, 3, NA, 3, 2, NA)

complete.cases(x, y)
#[1] TRUE FALSE TRUE FALSE FALSE FALSE FALSE

sum(complete.cases(x, y))
#[1] 2

逻辑向量的总和为TRUE元素的数量，因为TRUE强制为1，而FALSE强制为0。

这适用于任何数据类型。 但是，请注意，空字符串（即"" ）不被视为丢失。 实际的缺失字符值由NA_character_表示。

Answer 2

一种可能的解决方案是使用is.na和逻辑运算符：

!(is.na(x) | is.na(y))        # logical vector

which(!(is.na(x) | is.na(y))) # integer vector of indices.

如果只需要总数，请使用：

sum(!(is.na(x) | is.na(y)))

Answer 3

我对以上给出的解决方案进行了基准测试：

if (!require("pacman")) install.packages("pacman")
pacman::p_load(microbenchmark)

#fetch some data
x = iris[1] #from isis
y = iris[1]
x[sample(1:150, 50), ] = NA #random subset
y[sample(1:150, 50), ] = NA

#benchmark
times = microbenchmark(pairwise.function = pairwise.miss(x, y),
                       sum.is.na = sum(!is.na(x) & !is.na(y)),
                       sum.is.na2 = sum(!(is.na(x) | is.na(y))),
                       sum.complete.cases = sum(complete.cases(x, y)));times

结果：

> times
Unit: microseconds
               expr     min       lq      mean   median       uq     max neval
  pairwise.function 202.205 217.2935 244.31481 233.3150 253.8460 450.763   100
          sum.is.na  75.594  78.5500  89.26383  80.5730  94.1035 248.558   100
         sum.is.na2  74.662  77.6170  89.23899  80.5725  94.8825 167.676   100
 sum.complete.cases  14.311  16.1770  18.77197  17.1105  17.7330 155.233   100

因此，与sum.complete.cases一种方法相比，我的原始方法非常慢。

也许在这种计算中很少需要速度，但是在同样易于使用的情况下，最好还是使用最有效的方法。