Respostas:
Tente o seguinte:
df <- df[,colSums(is.na(df))<nrow(df)]
As duas abordagens oferecidas até agora falham com grandes conjuntos de dados, pois (entre outros problemas de memória) eles criam is.na(df)
, que serão um objeto do mesmo tamanho que df
.
Aqui estão duas abordagens que são mais eficientes em termos de memória e tempo
Uma abordagem usando Filter
Filter(function(x)!all(is.na(x)), df)
e uma abordagem usando data.table (para eficiência geral de tempo e memória)
library(data.table)
DT <- as.data.table(df)
DT[,which(unlist(lapply(DT, function(x)!all(is.na(x))))),with=F]
big_data <- replicate(10, data.frame(rep(NA, 1e6), sample(c(1:8,NA),1e6,T), sample(250,1e6,T)),simplify=F)
bd <- do.call(data.frame,big_data)
names(bd) <- paste0('X',seq_len(30))
DT <- as.data.table(bd)
system.time({df1 <- bd[,colSums(is.na(bd) < nrow(bd))]})
# error -- can't allocate vector of size ...
system.time({df2 <- bd[, !apply(is.na(bd), 2, all)]})
# error -- can't allocate vector of size ...
system.time({df3 <- Filter(function(x)!all(is.na(x)), bd)})
## user system elapsed
## 0.26 0.03 0.29
system.time({DT1 <- DT[,which(unlist(lapply(DT, function(x)!all(is.na(x))))),with=F]})
## user system elapsed
## 0.14 0.03 0.18
data.frame
, no entanto. Não há nada aqui que realmente precise data.table
. A chave é a lapply
, que evita a cópia de todo o objeto feito por is.na(df)
. +10 por apontar isso.
bd1 <- bd[, unlist(lapply(bd, function(x), !all(is.na(x))))]
,
depois function(x)
- graças para o exemplo btw
dplyr
agora tem um select_if
verbo que pode ser útil aqui:
library(dplyr)
temp <- data.frame(x = 1:5, y = c(1,2,NA,4, 5), z = rep(NA, 5))
not_all_na <- function(x) any(!is.na(x))
not_any_na <- function(x) all(!is.na(x))
> temp
x y z
1 1 1 NA
2 2 2 NA
3 3 NA NA
4 4 4 NA
5 5 5 NA
> temp %>% select_if(not_all_na)
x y
1 1 1
2 2 2
3 3 NA
4 4 4
5 5 5
> temp %>% select_if(not_any_na)
x
1 1
2 2
3 3
4 4
5 5
dplyr
solução. Não fiquei desapontado. Obrigado!
Outra maneira seria usar a apply()
função
Se você tiver o data.frame
df <- data.frame (var1 = c(1:7,NA),
var2 = c(1,2,1,3,4,NA,NA,9),
var3 = c(NA)
)
então você pode usar apply()
para ver quais colunas atendem à sua condição e, portanto, pode simplesmente fazer o mesmo subconjunto da resposta de Musa, apenas com uma apply
abordagem.
> !apply (is.na(df), 2, all)
var1 var2 var3
TRUE TRUE FALSE
> df[, !apply(is.na(df), 2, all)]
var1 var2
1 1 1
2 2 2
3 3 1
4 4 3
5 5 4
6 6 NA
7 7 NA
8 NA 9
A resposta aceita não funciona com colunas não numéricas. A partir desta resposta , o seguinte funciona com colunas contendo diferentes tipos de dados
Filter(function(x) !all(is.na(x)), df)
Espero que isso também ajude. Poderia ser transformado em um único comando, mas achei mais fácil ler dividindo-o em dois comandos. Fiz uma função com as seguintes instruções e trabalhei muito rápido.
naColsRemoval = function (DataTable) {
na.cols = DataTable [ , .( which ( apply ( is.na ( .SD ) , 2 , all ) ) )]
DataTable [ , unlist (na.cols) := NULL , with = F]
}
.SD permitirá limitar a verificação a parte da tabela, se você desejar, mas tomará a tabela inteira como
Você pode usar o pacote Janitor remove_empty
library(janitor)
df %>%
remove_empty(c("rows", "cols")) #select either row or cols or both
Além disso, outra abordagem dplyr
library(dplyr)
df %>% select_if(~all(!is.na(.)))
OU
df %>% select_if(colSums(!is.na(.)) == nrow(df))
isso também é útil se você deseja excluir / manter apenas a coluna com um certo número de valores ausentes, por exemplo
df %>% select_if(colSums(!is.na(.))>500)