Jak zastąpić wartości NA zerami w ramce danych R.

Mam ramkę danych, a niektóre kolumny mają NAwartości.

Jak zastąpić te NAwartości zerami?

Zobacz mój komentarz w odpowiedzi na @ gsk3. Prosty przykład:

> 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

Nie ma potrzeby aplikowania apply. =)

EDYTOWAĆ

Powinieneś także spojrzeć na normpakiet. Ma wiele fajnych funkcji do analizy brakujących danych. =)

Hybrydyzowane opcje dplyr są teraz około 30% szybsze niż ponowne przypisanie podzbioru Base R. Na 100 M ramce danych punktu danych mutate_all(~replace(., is.na(.), 0))działa o pół sekundy szybciej niż podstawowa d[is.na(d)] <- 0opcja R. To, czego konkretnie chce się uniknąć, to używanie ifelse()lub if_else(). (Pełna analiza 600 prób trwała ponad 4,5 godziny, głównie z powodu uwzględnienia tych podejść). Pełne wyniki można znaleźć poniżej w analizie porównawczej.

Jeśli zmagasz się z ogromnymi ramkami danych, data.tableto najszybsza opcja ze wszystkich: 40% szybsza niż standardowe podejście Base R. Modyfikuje również dane w miejscu, umożliwiając efektywną pracę z prawie dwukrotnie większą ilością danych naraz.

Grupowanie innych pomocnych podejść zastępczych typu Tidyverse

Lokalnie:

• indeks mutate_at(c(5:10), ~replace(., is.na(.), 0))
• bezpośrednie odniesienie mutate_at(vars(var5:var10), ~replace(., is.na(.), 0))
• ustawiony mecz mutate_at(vars(contains("1")), ~replace(., is.na(.), 0))
  • lub zamiast contains(), spróbuj ends_with(),starts_with()
• dopasowanie wzoru mutate_at(vars(matches("\\d{2}")), ~replace(., is.na(.), 0))

Warunkowo:
(zmień tylko jeden typ i zostaw inne typy w spokoju).

• liczby całkowite mutate_if(is.integer, ~replace(., is.na(.), 0))
• liczby mutate_if(is.numeric, ~replace(., is.na(.), 0))
• smyczki mutate_if(is.character, ~replace(., is.na(.), 0))

Pełna analiza -

Zaktualizowano dla dplyr 0.8.0: funkcje używają ~symboli formatu purrr : zastępując przestarzałe funs()argumenty.

Testowane podejścia:

# 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)}

Kod do tej analizy:

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
)

Podsumowanie rezultatów

> 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

Wykres wyników

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()

Kolorowy wykres rozproszenia prób (z osią y na skali logarytmicznej)

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)))

Uwaga na temat innych najlepszych wykonawców

Gdy zbiory danych stają się większe, Tidyr „” s replace_nahistorycznie wyciągnięta w przód. Przy obecnym zbiorze 100 milionów punktów danych do przejścia, działa on prawie tak samo dobrze, jak Base R For Loop. Jestem ciekawy, co dzieje się w przypadku ramek danych o różnych rozmiarach.

Dodatkowe przykłady wariantów mutatei summarize _ati _allmożna znaleźć tutaj: https://rdrr.io/cran/dplyr/man/summarise_all.html Dodatkowo znalazłem pomocne demonstracje i kolekcje przykładów tutaj: https: //blog.exploratory. io / dplyr-0-5-is-awesome-heres-dlaczego-be095fd4eb8a

Atrybucje i podziękowania

Specjalne podziękowania dla:

• Tyler Rinker i Akrun za zademonstrowanie mikrodruku .
• alexis_laz za pracę nad pomaganiem mi w zrozumieniu zastosowania local()oraz (z pomocą pacjenta Franka) roli, jaką odgrywa cichy przymus w przyspieszaniu wielu z tych podejść.
• ArthurYip dla poke, aby dodać nowszą coalesce()funkcję i zaktualizować analizę.
• Gregorowi, żeby podchwycić data.tablefunkcje wystarczająco dobrze, by w końcu włączyć je do składu.
• Podstawa R Dla pętli: alexis_laz
• data.table For Loops: Matt_Dowle
• Roman za wyjaśnienie, co is.numeric()naprawdę sprawdza.

(Oczywiście, proszę sięgnij do nich i oddaj im głosowanie, jeśli uznasz to za przydatne).

Uwaga na temat używania przeze mnie Numerics: Jeśli masz zestaw danych o całkowitej liczbie całkowitej, wszystkie twoje funkcje będą działały szybciej. Więcej informacji znajdziesz w pracy alexiz_laz . IRL, nie mogę sobie przypomnieć, że napotkałem zestaw danych zawierający więcej niż 10-15% liczb całkowitych, więc przeprowadzam te testy na w pełni numerycznych ramkach danych.

Używany sprzęt Procesor 3,9 GHz z 24 GB pamięci RAM

Dla pojedynczego wektora:

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

W przypadku data.frame utwórz funkcję z powyższego, a następnie applydo kolumn.

Następnym razem podaj powtarzalny przykład, jak wyszczególniono tutaj:

Jak zrobić doskonały przykład odtwarzalnego R?

przykład dplyr:

library(dplyr)

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

Uwaga: To działa na wybranej kolumnie, jeśli trzeba to zrobić dla wszystkich kolumn, patrz @reidjax „s odpowiedź za pomocą mutate_each .

Jeśli próbujemy zastąpić NAs podczas eksportowania, na przykład podczas pisania do csv, możemy użyć:

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

Wiem, że na pytanie już udzielono odpowiedzi, ale zrobienie tego w ten sposób może być bardziej przydatne dla niektórych:

Zdefiniuj tę funkcję:

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

Teraz, gdy trzeba przekonwertować NA w wektorze na zero, możesz:

na.zero(some.vector)

W wersji dplyr0.5.0 można korzystać z coalescefunkcji, które można łatwo zintegrować z %>%rurociągiem coalesce(vec, 0). Zastępuje wszystkie NA w vec0:

Powiedzmy, że mamy ramkę danych zs NA:

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

Bardziej ogólne podejście replace()do zastępowania w macierzy lub wektorzeNA do0

Na przykład:

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

Jest to również alternatywa dla używania ifelse()wdplyr

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

Możliwe jest również użycie tidyr::replace_na.

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

Kolejny przykład z wykorzystaniem pakietu imputeTS :

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

Jeśli chcesz zastąpić NA zmiennymi czynnikowymi, może to być przydatne:

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") 

Przekształca wektor czynnikowy w wektor liczbowy i dodaje kolejny sztuczny poziom liczbowy czynnika, który jest następnie przekształcany z powrotem w wektor czynnikowy z jednym wybranym dodatkowym „poziomem NA”.

Skomentowałbym post @ ianmunoz, ale nie mam wystarczającej reputacji. Można łączyć dplyr„s mutate_eachi replacedo dbać o NAdo 0zastąpienia. Korzystanie z ramki danych z odpowiedzi @ 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

Używamy tutaj standardowej oceny (SE), dlatego potrzebujemy podkreślenia na „ funs_.” Używamy również lazyeval„ interp/ /” ~i .„wszystkiego, z czym pracujemy”, tj. Ramki danych. Teraz są zera!

Możesz użyć replace()

Na przykład:

> 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

Inna dplyropcja kompatybilna z potokiem z tidyrmetodą, replace_naktóra działa dla kilku kolumn:

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)

Możesz łatwo ograniczyć się do np. Kolumn numerycznych:

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

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

df <- d %>% replace_na(myList)

Dedykowana funkcja ( nafill/ setnafill) do tego celu znajduje się w najnowszej data.tablewersji

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

Ta prosta funkcja wyodrębniona z Datacamp może pomóc:

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
}

Następnie

replace_missings(df, replacement = 0)

Łatwym sposobem, aby ją napisać to ze if_naod hablar:

library(dplyr)
library(hablar)

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

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

który zwraca:

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

Aby zastąpić wszystkie NA w ramce danych, możesz użyć:

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

jeśli chcesz przypisać nową nazwę po zmianie NA w określonej kolumnie w tym przypadku w kolumnie V3, użyj tego możesz również zrobić w ten sposób

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