wake-up-neo.net

Wie ersetze ich NA-Werte in einem R-Datenrahmen durch Nullen?

Ich habe einen Datenrahmen und einige Spalten haben NA Werte.

Wie ersetze ich diese NA Werte durch Nullen?

632
Renato Dinhani

Siehe meinen Kommentar in @ gsk3 Antwort. Ein einfaches Beispiel:

> 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

Es ist nicht erforderlich, apply anzuwenden. =)

EDIT

Sie sollten sich auch das Paket norm ansehen. Es hat viele nette Funktionen für die Analyse fehlender Daten. =)

775
aL3xa

Die mit dplyr hybridisierten Optionen sind jetzt etwa 30% schneller als die Neuzuweisung der Base R-Teilmenge. Auf einem 100M-Datenpunkt-Datenrahmen läuft mutate_all(~replace(., is.na(.), 0)) eine halbe Sekunde schneller als die Basisoption R d[is.na(d)] <- 0. Was man konkret vermeiden möchte, ist die Verwendung einer ifelse() oder einer if_else(). (Die vollständige Analyse der 600 Studien dauerte hauptsächlich aufgrund dieser Ansätze über 4,5 Stunden.) Die vollständigen Ergebnisse finden Sie in den Benchmark-Analysen unten.

Wenn Sie mit massiven Datenrahmen zu kämpfen haben, ist _data.table_ die schnellste Option von allen: 40% schneller als der Standardansatz Base R. Außerdem werden die vorhandenen Daten geändert, sodass Sie mit fast doppelt so vielen Daten gleichzeitig arbeiten können.


Eine Zusammenstellung weiterer hilfreicher Tidyverse-Replacement-Ansätze

Standort:

  • index mutate_at(c(5:10), ~replace(., is.na(.), 0))
  • direkte Referenz mutate_at(vars(var5:var10), ~replace(., is.na(.), 0))
  • feste Übereinstimmung mutate_at(vars(contains("1")), ~replace(., is.na(.), 0))
    • oder anstelle von contains() versuchen Sie ends_with(), starts_with()
  • Musterübereinstimmung mutate_at(vars(matches("\\d{2}")), ~replace(., is.na(.), 0))

Bedingt:
(Ändern Sie nur die Zahl (Spalten) und lassen Sie die Zeichenfolge (Spalten) in Ruhe.)

  • ganze Zahlen mutate_if(is.integer, ~replace(., is.na(.), 0))
  • verdoppelt mutate_if(is.numeric, ~replace(., is.na(.), 0))
  • Strings mutate_if(is.character, ~replace(., is.na(.), 0))

Die vollständige Analyse -

Aktualisiert für dplyr 0.8.0: Funktionen verwenden das purrr-Format ~ Symbole: Ersetzen von veralteten funs() Argumente.

Ansätze getestet:

_# 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)}
_

Der Code für diese Analyse:

_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
)
_

Zusammenfassung der Ergebnisse

_> 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 der Ergebnisse

_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()
_

Boxplot Comparison of Elapsed Time

Farbcodiertes Streudiagramm von Versuchen (mit y-Achse auf einer logarithmischen Skala)

_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

Eine Anmerkung zu den anderen Leistungsträgern

Wenn die Datensätze größer wurden, hatte sich Tidyr 's _replace_na_ historisch in den Vordergrund gestellt. Mit der aktuellen Sammlung von 50 Millionen Datenpunkten, die durchlaufen werden müssen, funktioniert es fast genauso gut wie eine Base R For-Schleife. Ich bin gespannt, was bei unterschiedlich großen Datenrahmen passiert.

Weitere Beispiele für die Funktionsvarianten mutate und summarize __at_ und __all_ finden Sie hier: https://rdrr.io/cran/dplyr/man /summarise_all.html Außerdem habe ich hier hilfreiche Demonstrationen und Beispielsammlungen gefunden: https://blog.exploratory.io/dplyr-0-5-is-awesome-heres-why-be095fd4eb8a =

Zuschreibungen und Wertschätzungen

Mit besonderem Dank an:

  • Tyler Rinker und Akrun zur Demonstration eines Mikrobenchmarks.
  • alexis_laz um mir zu helfen, die Verwendung von local() zu verstehen, und (auch mit Franks geduldiger Hilfe) die Rolle, die stiller Zwang bei der Beschleunigung vieler dieser Ansätze spielt.
  • ArthurYip für den Poke, um die neuere Funktion coalesce() hinzuzufügen und die Analyse zu aktualisieren.
  • Gregor, damit der Nudge herausfindet, dass _data.table_ gut genug funktioniert, um sie schließlich in die Aufstellung aufzunehmen.
  • Basis R For-Schleife: alexis_laz
  • data.table For Loops: Matt_Dowle

(Natürlich, bitte greif vorbei und gib ihnen auch Upvotes, wenn du diese Ansätze nützlich findest.)

Anmerkung zu meiner Verwendung von Numerik: Wenn Sie einen reinen Integer-Datensatz haben, alle Ihre Funktionen läuft schneller. Weitere Informationen finden Sie unter alexiz_lazs Arbeit . IRL, ich kann mich nicht erinnern, auf einen Datensatz gestoßen zu sein, der mehr als 10-15% Ganzzahlen enthält. Daher führe ich diese Tests mit vollständig numerischen Datenrahmen durch.

Verwendete Hardware 3,9-GHz-CPU mit 24 GB RAM

236
leerssej

Für einen einzelnen Vektor:

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

Machen Sie für ein data.frame eine Funktion aus dem obigen und dann apply in die Spalten.

Bitte geben Sie das nächste Mal ein reproduzierbares Beispiel an, wie hier beschrieben:

Wie mache ich ein großartiges reproduzierbares R-Beispiel?

114
Ari B. Friedman

beispiel:

library(dplyr)

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

Hinweis: Dies funktioniert für jede ausgewählte Spalte. Wenn dies für alle Spalten erforderlich ist, siehe @ reidjax Antwort mit mutate_each .

68
ianmunoz

Wenn wir versuchen, NAs beim Export zu ersetzen, beispielsweise beim Schreiben in csv, können wir Folgendes verwenden:

  write.csv(data, "data.csv", na = "0")
52
mrsoltys

Ich weiß, dass die Frage bereits beantwortet wurde, aber für einige ist es möglicherweise nützlicher, dies auf diese Weise zu tun:

Definieren Sie diese Funktion:

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

Wann immer Sie NAs in einem Vektor in Null konvertieren müssen, können Sie Folgendes tun:

na.zero(some.vector)
45
krishan404

Mit dplyr 0.5.0 können Sie die coalesce -Funktion verwenden, die durch Ausführen von coalesce(vec, 0) einfach in die %>% -Pipeline integriert werden kann. Dies ersetzt alle NAs in vec durch 0:

Angenommen, wir haben einen Datenrahmen mit 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
21
Psidom

Allgemeinerer Ansatz zur Verwendung von replace() in einer Matrix oder einem Vektor, um NA durch 0 zu ersetzen

Zum Beispiel:

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

Dies ist auch eine Alternative zur Verwendung von ifelse() in dplyr

df = data.frame(col = c(1,2,NA,NA,1,1))
df <- df %>%
   mutate(col = replace(col,is.na(col),0))
20
Charleslmh

Ein weiteres Beispiel mit imputeTS package:

library(imputeTS)
na.replace(yourDataframe, 0)
9
stats0007

Es ist auch möglich, tidyr::replace_na zu verwenden.

    library(tidyr)
    df <- df %>% mutate_all(funs(replace_na(.,0)))
8
Sasha

Wenn Sie NAs in Faktorvariablen ersetzen möchten, kann dies hilfreich sein:

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") 

Es transformiert einen Faktor-Vektor in einen numerischen Vektor und fügt eine weitere künstliche numerische Faktorebene hinzu, die dann mit einer zusätzlichen "NA-Ebene" Ihrer Wahl in einen Faktor-Vektor zurücktransformiert wird.

8
user6075957

Ich hätte den Beitrag von @ ianmunoz kommentiert, aber ich habe nicht genug Ruf. Sie können dplyr 's mutate_each und replace kombinieren, um den NA bis 0 Ersatz zu erledigen. Verwenden des Datenrahmens aus der Antwort von @ 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

Wir verwenden hier Standard Evaluation (SE), weshalb wir den Unterstrich auf "funs_" benötigen. Wir verwenden auch lazyevals interp/~ und der . verweist auf "alles, mit dem wir arbeiten", d. H. Den Datenrahmen. Jetzt gibt es Nullen!

7
reidjax

Sie können replace() verwenden

Zum Beispiel:

> 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
4
Zahra

Eine andere dplyr Pipe-kompatible Option mit tidyrMethode replace_na, die für mehrere Spalten funktioniert:

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)

Sie können sich leicht darauf beschränken, z. numerische Spalten:

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

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

df <- d %>% replace_na(myList)
4
Antti

Diese einfache Funktion aus Datacamp könnte helfen:

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
}

Dann

replace_missings(df, replacement = 0)
3
Fábio

Die spezielle Funktion (nafill/setnafill) für diesen Zweck ist in der aktuellen data.table-Version enthalten

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
3
jangorecki

Ein einfacher Weg, es zu schreiben, ist mit if_na von hablar:

library(dplyr)
library(hablar)

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

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

was zurückgibt:

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