[英]Elegant way to report missing values in a data.frame
這是我編寫的一小段代碼,用於報告數據框中缺少值的變量。 我試圖想出一種更優雅的方式來做到這一點,可能會返回一個 data.frame,但我被卡住了:
for (Var in names(airquality)) {
missing <- sum(is.na(airquality[,Var]))
if (missing > 0) {
print(c(Var,missing))
}
}
編輯:我正在處理包含數十到數百個變量的 data.frames,所以關鍵是我們只報告具有缺失值的變量。
只需使用sapply
> sapply(airquality, function(x) sum(is.na(x)))
Ozone Solar.R Wind Temp Month Day
37 7 0 0 0 0
您還可以在is.na()
創建的矩陣上使用apply
或colSums
> apply(is.na(airquality),2,sum)
Ozone Solar.R Wind Temp Month Day
37 7 0 0 0 0
> colSums(is.na(airquality))
Ozone Solar.R Wind Temp Month Day
37 7 0 0 0 0
我對(不太寬)數據的新寵是來自優秀naniar包的方法。 您不僅可以獲得頻率,還可以獲得缺失模式:
library(naniar)
library(UpSetR)
riskfactors %>%
as_shadow_upset() %>%
upset()
查看缺失與非缺失相關的位置通常很有用,這可以通過繪制帶有缺失的散點圖來實現:
ggplot(airquality,
aes(x = Ozone,
y = Solar.R)) +
geom_miss_point()
或者對於分類變量:
gg_miss_fct(x = riskfactors, fct = marital)
這些示例來自列出了其他有趣可視化的包小插圖。
我們可以將map_df
與 purrr map_df
使用。
library(mice)
library(purrr)
# map_df with purrr
map_df(airquality, function(x) sum(is.na(x)))
# A tibble: 1 × 6
# Ozone Solar.R Wind Temp Month Day
# <int> <int> <int> <int> <int> <int>
# 1 37 7 0 0 0 0
更簡潔-: sum(is.na(x[1]))
那是
x[1]
看第一列
is.na()
如果是NA
is.na()
真
sum()
TRUE
是1
, FALSE
是0
另一個圖形替代方案 - 來自優秀DataExplorer
包的plot_missing
函數:
Docs還指出,您可以保存此結果以使用missing_data <- plot_missing(data)
進行額外分析。
另一個可以幫助您查看丟失數據的函數是 funModeling 庫中的 df_status
library(funModeling)
iris.2 是添加了一些 NAs 的 iris 數據集。您可以將其替換為您的數據集。
df_status(iris.2)
這將為您提供每列中 NA 的數量和百分比。
對於更多圖形解決方案, visdat
包提供vis_miss
。
library(visdat)
vis_miss(airquality)
與Amelia
輸出非常相似,只是在開箱即用時給出了 %s 的缺失值。
獲取計數的dplyr
解決方案可能是:
summarise_all(df, ~sum(is.na(.)))
或獲取百分比:
summarise_all(df, ~(sum(is_missing(.) / nrow(df))))
也許還值得注意的是,丟失的數據可能是丑陋的、不一致的,並且並不總是編碼為NA
具體取決於來源或導入時的處理方式。 可以根據您的數據和您要考慮丟失的內容調整以下功能:
is_missing <- function(x){
missing_strs <- c('', 'null', 'na', 'nan', 'inf', '-inf', '-9', 'unknown', 'missing')
ifelse((is.na(x) | is.nan(x) | is.infinite(x)), TRUE,
ifelse(trimws(tolower(x)) %in% missing_strs, TRUE, FALSE))
}
# sample ugly data
df <- data.frame(a = c(NA, '1', ' ', 'missing'),
b = c(0, 2, NaN, 4),
c = c('NA', 'b', '-9', 'null'),
d = 1:4,
e = c(1, Inf, -Inf, 0))
# counts:
> summarise_all(df, ~sum(is_missing(.)))
a b c d e
1 3 1 3 0 2
# percentage:
> summarise_all(df, ~(sum(is_missing(.) / nrow(df))))
a b c d e
1 0.75 0.25 0.75 0 0.5
如果你想為特定的列做它,那么你也可以使用這個
length(which(is.na(airquality[1])==T))
ExPanDaR 的包函數prepare_missing_values_graph
可用於探索面板數據:
對於管道,您可以編寫:
# Counts
df %>% is.na() %>% colSums()
# % of missing rounded to 2 decimals
df %>% summarise_all(.funs = ~round(100*sum(is.na(.))/length(.),2))
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.