Как заменить значения NA нулями в кадре данных R?

Question

У меня есть фрейм данных, а в некоторых столбцах значения NA.

Как заменить эти NA значения нулями?

Answer 1

Смотрите мой комментарий в ответе @ gsk3.Простой пример:

> 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

Нет необходимости применять apply.=)

РЕДАКТИРОВАТЬ

Вы также должны взглянуть на norm пакет.Он имеет много приятных возможностей для анализа отсутствующих данных.=)

Answer 2

Гибридизированные опции dplyr теперь примерно на 30% быстрее, чем переназначение подгруппы Base R.На 100-мегапиксельном кадре данных mutate_all(~replace(., is.na(.), 0)) работает на полсекунды быстрее, чем базовая опция R d[is.na(d)] <- 0.Чего конкретно хочется избежать, так это использования ifelse() или if_else().(Полный 600-кратный пробный анализ занял более 4,5 часов, в основном из-за включения этих подходов.) См. Полный анализ результатов ниже.

Если вы боретесь с массивными фреймами данных, data.table - самый быстрый вариант.всего: на 40% быстрее, чем стандартный подход Base R .Он также изменяет данные на месте, эффективно позволяя работать с почти вдвое большим количеством данных за один раз.

---

Кластеризация других полезных подходов к замене в обратном направлении

В местном масштабе:

• index mutate_at(c(5:10), ~replace(., is.na(.), 0))
• прямая ссылка mutate_at(vars(var5:var10), ~replace(., is.na(.), 0))
• фиксированное соответствие mutate_at(vars(contains("1")), ~replace(., is.na(.), 0))
  • или вместо contains(), попробуйте ends_with(), starts_with()
• сопоставление с шаблоном mutate_at(vars(matches("\\d{2}")), ~replace(., is.na(.), 0))

Условно:
(изменить только цифры (столбцы) и оставить только строку (столбцы).)

• целых чисел mutate_if(is.integer, ~replace(., is.na(.), 0))
• удваивается mutate_if(is.numeric, ~replace(., is.na(.), 0))
• строки mutate_if(is.character, ~replace(., is.na(.), 0))

---

Полный анализ -

Обновлено для dplyr 0.8.0: функции используют формат purrr ~ символы: заменаустарел funs() аргументы.

Подходы проверены:

# 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.fnafill       <- function(x) { fnafill(df, fill=0)}
DT.setnafill     <- function(x) { setnafill(df, fill=0)}

TКод для этого анализа:

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
)

Сводка результатов

> 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

График результатов

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()

Диаграмма рассеяния испытаний с цветовой кодировкой (с осью Y на логарифмической шкале)

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)))

Примечание о других высоких показателях

Когда наборы данных становятся больше, Tidyr '* replace_na исторически вырывается вперед.Благодаря текущему набору 50M точек данных, он работает почти точно так же, как Base R For Loop.Мне любопытно посмотреть, что происходит с различными размерами фреймов данных.

Дополнительные примеры вариантов функций mutate и summarize _at и _all можно найти здесь: https://rdrr.io/cran/dplyr/man/summarise_all.html ДополнительноЯ нашел полезные демонстрации и коллекции примеров здесь: https://blog.exploratory.io/dplyr-0-5-is-awesome-heres-why-be095fd4eb8a

Атрибуты и благодарности

С особой благодарностью:

• Тайлер Ринкер и Акрун для демонстрации микробенчмарка.
• alexis_laz за работу, помогающую мне понять использование local(), и (с помощью Фрэнка, тоже пациента) роль, которую тихое принуждение играет в ускорении многих из этих подходов.
• ArthurYip для мешка, чтобы добавить более новую функцию coalesce() и обновить анализ.
• Грегор для толчка, чтобы выяснить функции data.table достаточно хорошо, чтобы наконец включить их вмодельный ряд.
• База R Для цикла: alexis_laz
• data.table Для циклов: Matt_Dowle

(Конечно, пожалуйста, подойдите и дайте им голосование, если вы находите эти подходы полезными.)

Примечание по использованию чисел: Если у вас есть чистый набор целочисленных данных, все ваши функции будут работать быстрее.Пожалуйста, см. работа alexiz_laz для получения дополнительной информации.Я не помню, чтобы IRL встречал набор данных, содержащий более 10-15% целых чисел, поэтому я запускаю эти тесты на полностью числовых фреймах данных.

Используемое оборудование 3,9 ГГц процессор с 24 ГБ оперативной памяти

Answer 3

Для одного вектора:

x <- c(1,2,NA,4,5)
x[is.na(x)] <- 0

Для data.frame создайте функцию из вышеперечисленного, затем apply для столбцов.

Пожалуйста, предоставьте воспроизводимыйпример в следующий раз, как подробно описано здесь:

Как сделать отличный воспроизводимый пример R?

Answer 4

Пример dplyr:

library(dplyr)

df1 <- df1 %>%
    mutate(myCol1 = if_else(is.na(myCol1), 0, myCol1))

Примечание: Это работает для выбранного столбца, если нам нужно сделать это для всех столбцов, см. Ответ @ reidjax с использованием mutate_each .

Answer 5

Если мы пытаемся заменить NA s при экспорте, например, при записи в csv, тогда мы можем использовать:

  write.csv(data, "data.csv", na = "0")

Answer 6

Я знаю, что на вопрос уже дан ответ, но для некоторых это может быть полезно:

Определите эту функцию:

na.zero <- function (x) {
    x[is.na(x)] <- 0
    return(x)
}

Теперь, когда вам нужно преобразовать NA в векторе в ноль, вы можете сделать:

na.zero(some.vector)

Answer 7

С dplyr 0.5.0 вы можете использовать функцию coalesce, которую можно легко интегрировать в %>% конвейер, выполнив coalesce(vec, 0). Это заменяет все NA в vec на 0:

Скажем, у нас есть фрейм данных с 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

Answer 8

Более общий подход использования replace() в матрице или векторе для замены NA на 0

Например:

> x <- c(1,2,NA,NA,1,1)
> x1 <- replace(x,is.na(x),0)
> x1
[1] 1 2 0 0 1 1

Это также альтернатива использованию ifelse() в dplyr

df = data.frame(col = c(1,2,NA,NA,1,1))
df <- df %>%
   mutate(col = replace(col,is.na(col),0))

Answer 9

Если вы хотите заменить NA в факторных переменных, это может быть полезно:

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") 

Преобразует фактор-вектор в числовой вектор и добавляет еще один искусственный уровень числового фактора, который затем преобразуется обратно в фактор-вектор с одним дополнительным «уровнем NA» по вашему выбору.

Answer 10

Другой пример использования пакета imputeTS :

library(imputeTS)
na.replace(yourDataframe, 0)