Как заменить значения NA нулями в кадре данных R?

Ответы:

880

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

Там нет необходимости применять apply. знак равно

РЕДАКТИРОВАТЬ

Вы также должны взглянуть на normпакет. Он имеет много приятных возможностей для анализа отсутствующих данных. знак равно

aL3xa
источник
2
Я уже пробовал этот код вчера, прежде чем выложить его и не работал. Потому что это я разместил вопрос. Но я старался знать и работал отлично. Я думаю, что делал что-то не так.
Ренато Динхани
12
@ RenatoDinhaniConceição: если вы уже что-то пробовали, полезно поделиться этой информацией, когда вы задаете вопрос; это помогает сузить, где проблема может быть.
Аарон оставил переполнение стека
2
d [is.na (d)] <- 0 не имеет смысла для меня. Это кажется задом наперед? Как R обрабатывает это утверждение?
user798719
13
@ user798719 - "<-" является оператором присваивания R, и его можно прочитать как: сделать что-нибудь справа и затем присвоить его расположению / имени слева. В этом случае мы на самом деле ничего не «делаем» - просто делаем нули. Левая сторона говорит: посмотрите на объект d, внутри объекта d (квадратные скобки), найдите все элементы, которые возвращают TRUE (is.na (d) возвращает логический для каждого элемента). Как только они найдены, замените их («назначьте их») значением 0. Это оставляет все не-NA такими, какими они были, и заменяет только отсутствующие.
Twitch_City
3
И ... если у вас есть фрейм данных и вы хотите применить замену только к конкретным числовым векторам (оставив, скажем, строки с NA):df[19:28][is.na(df[19:28])] <- 0
jtdoud
299

Гибридизированные опции dplyr теперь примерно на 30% быстрее, чем переназначение подгруппы Base R. На 100-мегапиксельной базе данных точка данных mutate_all(~replace(., is.na(.), 0))работает на полсекунды быстрее, чем d[is.na(d)] <- 0опция base R. То, что человек хочет избежать, в частности, использует ifelse()или if_else(). (Полный 600-кратный пробный анализ занял более 4,5 часов, в основном из-за включения этих подходов.) См. Ниже результаты сравнительного анализа для получения полных результатов.

Если вы боретесь с массивными фреймами данных, data.tableэто самый быстрый вариант из всех: на 40% быстрее, чем стандартный подход Base R. Он также изменяет данные на месте, эффективно позволяя работать с почти вдвое большим количеством данных одновременно.


Кластеризация других полезных подходов замены Tidyverse

Locationally:

  • индекс mutate_at(c(5:10), ~replace(., is.na(.), 0))
  • прямая ссылка mutate_at(vars(var5:var10), ~replace(., is.na(.), 0))
  • фиксированный матч mutate_at(vars(contains("1")), ~replace(., is.na(.), 0))
    • или вместо contains(), попробуйте ends_with(),starts_with()
  • образец соответствия mutate_at(vars(matches("\\d{2}")), ~replace(., is.na(.), 0))

Условно:
(измените только один тип и оставьте другие типы в покое.)

  • целые mutate_if(is.integer, ~replace(., is.na(.), 0))
  • чисел 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 символы формата purrr ~: замена устаревших funs()аргументов.

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

Код 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

Boxplot of Results

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()

Сравнение прошедшего времени

Цветовая диаграмма рассеяния испытаний (с осью Y в логарифмическом масштабе)

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)))

Scatterplot of All Trial Times

Примечание о других высоких исполнителей

Когда наборы данных становятся больше, Tidyr 's replace_naисторически вышли впереди. Благодаря текущему набору 100M точек данных, он работает почти так же хорошо, как и Base R For Loop. Мне любопытно посмотреть, что происходит для разных размеров данных.

Дополнительные примеры для вариантов mutateи summarize _atи _allможно найти здесь: https://rdrr.io/cran/dplyr/man/summarise_all.html Кроме того, я нашел полезные демонстрации и коллекции примеров здесь: https: //blog.exploratory. -й / dplyr-0-5-это-удивительный-Херес-почему-be095fd4eb8a

Атрибуты и благодарности

С особой благодарностью:

  • Тайлер Ринкер и Акрун за демонстрацию микробенчмарка.
  • alexis_laz за то, что он помог мне разобраться в использовании local(), и (с помощью пациента Фрэнка тоже) роль, которую тихое принуждение играет в ускорении многих из этих подходов.
  • ArthurYip для poke, чтобы добавить более новую coalesce()функцию и обновить анализ.
  • Грегор для толчка, чтобы понять data.tableфункции достаточно хорошо, чтобы, наконец, включить их в состав.
  • База R для цикла: alexis_laz
  • data.table для циклов: Matt_Dowle
  • Роман за объяснение того, что на is.numeric()самом деле тестирует.

(Конечно, пожалуйста, подойдите и отдайте им голоса, если вы найдете такие подходы полезными.)

Примечание по использованию чисел: если у вас есть чистый набор целочисленных данных, все ваши функции будут работать быстрее. Пожалуйста, смотрите работу alexiz_laz для получения дополнительной информации. IRL, я не могу вспомнить, чтобы встретил набор данных, содержащий более 10-15% целых чисел, поэтому я запускаю эти тесты на полностью числовых фреймах данных.

Используемое оборудование Процессор 3,9 ГГц с 24 ГБ ОЗУ

leerssej
источник
2
@Frank - Спасибо, что нашли это несоответствие. Все ссылки очищены, и результаты были полностью перезапущены на одной машине и перепечатаны.
leerssej
Хорошо, спасибо. Кроме того, я думаю, что df1[j][is.na(df1[j])] = 0это неправильно, должно бытьdf1[[j]][is.na(df1[[j]])] = 0
Фрэнк
О, теперь я вижу, что вы написали это дважды, по-разному в каждом тесте. Во всяком случае, forLp_Sbstне похоже, что кто-то должен подумать о том, чтобы приблизиться к немуforLp_smplfSbst
Фрэнк
1
@UweBlock - отличный вопрос: он позволил мне выполнить операцию левого присваивания поднабора со всеми функциями, работающими на одном и том же кадре данных. Поскольку я должен был обернуть местное население вокруг этой функции, то во имя науки [Одна работа, у тебя была одна работа!] Я обернул ее вокруг всех, чтобы игровое поле было однозначно ровным. Для получения дополнительной информации - пожалуйста, смотрите здесь: stackoverflow.com/questions/41604711/… Я урезал довольно длинноногий предыдущий ответ - но эту часть обсуждения было бы неплохо добавить обратно. Спасибо!
leerssej
1
@ArthurYip - я добавил coalesce()опцию и запускаю все время. Спасибо за толчок для обновления.
leerssej
128

Для одного вектора:

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

Для data.frame сделайте функцию из вышеперечисленного, затем переместите applyее в столбцы.

Пожалуйста, предоставьте воспроизводимый пример в следующий раз, как подробно здесь:

Как сделать отличный R воспроизводимый пример?

Ари Б. Фридман
источник
18
is.naявляется универсальной функцией и имеет методы для объектов data.frameкласса. так что этот тоже будет работать на data.frameс!
aL3xa
3
Когда я побежал methods(is.na)в первый раз, я был как вааааааааааа! , Я люблю, когда такие вещи случаются! =)
aL3xa
9
Предположим, у вас есть фрейм данных с именем df вместо одного вектора, и вы просто хотите заменить отсутствующие наблюдения в одном столбце с именем X3. Вы можете сделать это с помощью этой строки: df $ X3 [is.na (df $ X3)] <- 0
Марк Миллер
8
Предположим, вы хотите заменить только NA на 0 в столбцах 4-6 фрейма данных с именем my.df. Вы можете использовать: my.df [, 4: 6] [is.na (my.df [, 4: 6])] <- 0
Марк Миллер
почему вы передаете 'x' в is.na (x), есть ли способ сказать, какие библиотечные процедуры в R векторизованы?
uh_big_mike_boi
73

Пример dplyr:

library(dplyr)

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

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

ianmunoz
источник
57

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

  write.csv(data, "data.csv", na = "0")
mrsoltys
источник
47

Я знаю, что на этот 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)
krishan404
источник
22

С dplyr0.5.0 вы можете использовать coalesceфункцию, которая может быть легко интегрирована в %>%конвейер coalesce(vec, 0). Это заменяет все NA на vec0:

Скажем, у нас есть фрейм данных с NAs:

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
Psidom
источник
Я проверил coalesce, и он работает примерно так же, как и замена. команда coalesce пока самая простая!
Артур Ип
было бы полезно, если бы вы представили, как применить это ко всем столбцам столбца с 2+ столбцами.
Джангорецкий
21

Более общий подход использования replace()в матрицы или вектора заменить NAна0

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()вdplyr

df = data.frame(col = c(1,2,NA,NA,1,1))
df <- df %>%
   mutate(col = replace(col,is.na(col),0))
Charleslmh
источник
1
Мой столбец был фактором, поэтому мне пришлось добавить значение заменыlevels(A$x) <- append(levels(A$x), "notAnswered") A$x <- replace(A$x,which(is.na(A$x)),"notAnswered")
Climbs_lika_Spyder
1
whichздесь не нужно, вы можете использовать x1 <- replace(x,is.na(x),1).
LMO
Я перепробовал много способов , предложенных в этой теме , чтобы заменить NAна 0всего один конкретном столбце в большом кадре данных и эта функция replace()работала наиболее эффективно , а также наиболее просто.
Дык
19

Также возможно использовать tidyr::replace_na.

    library(tidyr)
    df <- df %>% mutate_all(funs(replace_na(.,0)))
Саша
источник
9

Еще один пример использования пакета imputeTS :

library(imputeTS)
na.replace(yourDataframe, 0)
stats0007
источник
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") 

Он 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.

user6075957
источник
8

Я бы прокомментировал сообщение @ ianmunoz, но мне не хватает репутации. Вы можете комбинировать dplyr«S mutate_eachи replaceчтобы заботиться о NAдля 0замены. Используя фрейм данных из ответа @ 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

Мы используем стандартную оценку (SE), поэтому нам нужно подчеркнуть " funs_." Мы также используем lazyevals interp/ ~и .ссылки «все, с чем мы работаем», то есть фрейм данных. Теперь есть нули!

reidjax
источник
4

Ты можешь использовать replace()

Например:

> 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
Захра
источник
6
Верно, но только практично, когда вы знаете индекс NAs в вашем векторе. Это хорошо для небольших векторов, как в вашем примере.
Дардиско
4
@dardisco x1 <- replace(x,is.na(x),1)будет работать без явного перечисления значений индекса.
LMO
4

Еще одна dplyrсовместимая с конвейером опция с tidyrметодом, replace_naкоторый работает для нескольких столбцов:

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)

Вы можете легко ограничить, например, числовые столбцы:

d$str <- c("string", NA)

myList <- myList[sapply(d, is.numeric)]

df <- d %>% replace_na(myList)
Антти
источник
4

Выделенная функция ( nafill/setnafill ) для этой цели в последней data.tableверсии

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
jangorecki
источник
Для тех, кто голосует вниз, пожалуйста, оставьте отзыв, чтобы мой ответ был улучшен.
Джангорецки
3

Эта простая функция, извлеченная из Datacamp, может помочь:

replace_missings <- function(x, replacement) {
  is_miss <- is.na(x)
  x[is_miss] <- replacement

  message(sum(is_miss), " missings replaced by the value ", replacement)
  x
}

затем

replace_missings(df, replacement = 0)
Фабиу
источник
3

Самый простой способ , чтобы написать это с if_naиз hablar:

library(dplyr)
library(hablar)

df <- tibble(a = c(1, 2, 3, NA, 5, 6, 8))

df %>% 
  mutate(a = if_na(a, 0))

который возвращает:

      a
  <dbl>
1     1
2     2
3     3
4     0
5     5
6     6
7     8
davsjob
источник
2

Чтобы заменить все NA в кадре данных, вы можете использовать:

df %>% replace(is.na(.), 0)

Оливер Оливер
источник
это не новое решение
Джого
1

если вы хотите назначить новое имя после изменения NA в определенном столбце в этом случае столбец V3, используйте вы можете сделать также, как это

my.data.frame$the.new.column.name <- ifelse(is.na(my.data.frame$V3),0,1)
Сейма Калай
источник