Eu tenho um quadro de dados e algumas colunas têm NA
valores.
Como substituo esses NA
valores por zeros?
Eu tenho um quadro de dados e algumas colunas têm NA
valores.
Como substituo esses NA
valores por zeros?
Respostas:
Veja meu comentário na resposta @ gsk3. Um exemplo simples:
> 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
Não há necessidade de se inscrever apply
. =)
EDITAR
Você também deve dar uma olhada no norm
pacote. Possui muitos recursos interessantes para a análise de dados ausentes. =)
df[19:28][is.na(df[19:28])] <- 0
As opções hibridizadas do dplyr agora são cerca de 30% mais rápidas do que o subconjunto Base R reatribui. Em um dataponto de 100M, o dataframe mutate_all(~replace(., is.na(.), 0))
é executado meio segundo mais rápido que a d[is.na(d)] <- 0
opção R básica . O que se deseja evitar especificamente é usar um ifelse()
ou um if_else()
. (A análise completa de 600 ensaios durou mais de 4,5 horas, principalmente devido à inclusão dessas abordagens.) Consulte as análises de benchmark abaixo para obter os resultados completos.
Se você está enfrentando grandes quadros de dados, data.table
é a opção mais rápida de todas: 40% mais rápida que a abordagem padrão da Base R. Ele também modifica os dados, permitindo efetivamente trabalhar com quase o dobro dos dados de uma só vez.
Localmente:
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()
, tente ends_with()
,starts_with()
mutate_at(vars(matches("\\d{2}")), ~replace(., is.na(.), 0))
Condicionalmente:
(altere apenas um tipo e deixe outros tipos em paz.)
mutate_if(is.integer, ~replace(., is.na(.), 0))
mutate_if(is.numeric, ~replace(., is.na(.), 0))
mutate_if(is.character, ~replace(., is.na(.), 0))
Atualizado para o dplyr 0.8.0: as funções usam ~
símbolos de formato purrr : substituindo funs()
argumentos obsoletos .
# 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)))
Quando os conjuntos de dados aumentam , os Tidyr 's replace_na
historicamente se destacaram. Com a coleção atual de 100 milhões de pontos de dados para executar, ele executa quase exatamente tão bem quanto um Base R For Loop. Estou curioso para ver o que acontece com quadros de dados de tamanhos diferentes.
Exemplos adicionais para o mutate
e summarize
_at
e _all
variantes de função pode ser encontrada aqui: https://rdrr.io/cran/dplyr/man/summarise_all.html
Além disso, eu encontrei manifestações votos e coleções de exemplos aqui: https: //blog.exploratory. io / dplyr-0-5-is-awesome-heres-why-be095fd4eb8a
Agradecimentos especiais a:
local()
e (com a ajuda do paciente de Frank também) o papel que a coerção silenciosa desempenha na aceleração de muitas dessas abordagens. coalesce()
função mais nova e atualizar a análise.data.table
funções bem o suficiente para finalmente incluí-las na programação.is.numeric()
realmente testa.(Obviamente, estenda a mão e dê a eles votos positivos também, se você achar essas abordagens úteis.)
Nota sobre o uso de Numéricos: Se você possui um conjunto de dados inteiro puro, todas as suas funções serão executadas mais rapidamente. Por favor, veja o trabalho de alexiz_laz para mais informações. IRL, não me lembro de encontrar um conjunto de dados contendo mais de 10 a 15% de números inteiros; portanto, estou executando esses testes em quadros de dados totalmente numéricos.
CPU utilizada de hardware de 3,9 GHz com 24 GB de RAM
df1[j][is.na(df1[j])] = 0
é errado, deve serdf1[[j]][is.na(df1[[j]])] = 0
forLp_Sbst
não parece ser uma maneira ninguém deve considerar aproximando-vsforLp_smplfSbst
coalesce()
opção e execute novamente o tempo todo. Obrigado pela atualização.
Para um único vetor:
x <- c(1,2,NA,4,5)
x[is.na(x)] <- 0
Para um data.frame, faça uma função fora das opções acima e depois apply
nas colunas.
Forneça um exemplo reproduzível da próxima vez, conforme detalhado aqui:
is.na
é uma função genérica e possui métodos para objetos de data.frame
classe. então este também funcionará em data.frame
s!
methods(is.na)
pela primeira vez, eu fiquei tipo, o que ?!? . Eu amo quando coisas assim acontecem! =)
exemplo dplyr:
library(dplyr)
df1 <- df1 %>%
mutate(myCol1 = if_else(is.na(myCol1), 0, myCol1))
Nota: Isso funciona por coluna selecionada, se precisamos fazer isso para todas as colunas, consulte @reidjax 's resposta usando mutate_each .
Sei que a pergunta já foi respondida, mas fazê-lo dessa maneira pode ser mais útil para alguns:
Defina esta função:
na.zero <- function (x) {
x[is.na(x)] <- 0
return(x)
}
Agora, sempre que você precisar converter NA em um vetor para zero, você pode:
na.zero(some.vector)
Com o dplyr
0.5.0, você pode usar a coalesce
função que pode ser facilmente integrada ao %>%
pipeline fazendo isso coalesce(vec, 0)
. Isso substitui todas as NAs emvec
por 0:
Digamos que temos um quadro de dados com NA
s:
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
Abordagem mais geral de utilizar replace()
em matriz ou vector para substituir NA
a0
Por exemplo:
> x <- c(1,2,NA,NA,1,1)
> x1 <- replace(x,is.na(x),0)
> x1
[1] 1 2 0 0 1 1
Essa também é uma alternativa ao uso ifelse()
emdplyr
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
não é necessário aqui, você pode usar x1 <- replace(x,is.na(x),1)
.
NA
a 0
em apenas uma coluna específica em um grande quadro de dados e esta função replace()
trabalhou a forma mais eficaz e ao mesmo tempo o mais simples.
Se você deseja substituir NAs em variáveis fatoriais, isso pode ser útil:
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")
Ele transforma um vetor de fator em um vetor numérico e adiciona outro nível de fator numérico artificial, que é então transformado novamente em um vetor de fator com um "nível de NA" extra de sua escolha.
Teria comentado na publicação de @ ianmunoz, mas não tenho reputação suficiente. Você pode combinar dplyr
é mutate_each
e replace
para cuidar da NA
a 0
substituição. Usando o dataframe da resposta de @ aL3xa ...
> 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
Estamos usando a avaliação padrão (SE) aqui e é por isso que precisamos do sublinhado em " funs_
." Também usamos lazyeval
's interp
/ ~
e as .
referências "tudo o que estamos trabalhando", ou seja, o quadro de dados. Agora existem zeros!
Você pode usar replace()
Por exemplo:
> 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
s no seu vetor. É bom para vetores pequenos, como no seu exemplo.
x1 <- replace(x,is.na(x),1)
funcionará sem listar explicitamente os valores do índice.
Outra dplyr
opção compatível com pipe com o tidyr
método replace_na
que funciona para várias colunas:
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)
Você pode restringir facilmente a, por exemplo, colunas numéricas:
d$str <- c("string", NA)
myList <- myList[sapply(d, is.numeric)]
df <- d %>% replace_na(myList)
A função dedicada ( nafill
/ setnafill
) para esse fim está na data.table
versão recente
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
Para substituir todas as NAs em um quadro de dados, você pode usar:
df %>% replace(is.na(.), 0)
se você deseja atribuir um novo nome após alterar os NAs em uma coluna específica, neste caso coluna V3, use também o seguinte:
my.data.frame$the.new.column.name <- ifelse(is.na(my.data.frame$V3),0,1)