如何用R数据框中的零代替NA值？
我有一个data.frame和一些列有NA值。 我想用零代替NA 。 我如何做到这一点？
在@ gsk3答案中看到我的评论。 一个简单的例子：
> 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
没有必要apply 。 =）
编辑
你也应该看看norm包。 它有很多用于缺失数据分析的好功能。 =）
对于单个矢量：
x <- c(1,2,NA,4,5)
x[is.na(x)] <- 0
对于data.frame，从上面创建一个函数，然后apply其应用于列。
请在下面提供一个可重复的示例，详细信息如下：
如何做一个伟大的R可重现的例子？
混合dplyr / Base R选项： mutate_all(funs(replace(., is.na(.), 0))))速度是基数R d[is.na(d)] <- 0两倍选项。 （请参阅下面的基准分析。）
如果您正在处理大量数据帧， data.table是最快的选择：比dplyr少30％，比Base R方法快3倍。 它还修改了数据，有效地允许您一次处理近两倍的数据。
聚类的其他有用的Tidyverse替代方法
Locationally：
mutate_at(c(5:10), funs(replace(., is.na(.), 0))) mutate_at(vars(var5:var10), funs(replace(., is.na(.), 0))) mutate_at(vars(contains("1")), funs(replace(., is.na(.), 0))) contains() ，请尝试ends_with() ， starts_with() mutate_at(vars(matches("d{2}")), funs(replace(., is.na(.), 0))) 有条件的：
（仅改变数字（列）并保留字符串（列））。
mutate_if(is.integer, funs(replace(., is.na(.), 0))) mutate_if(is.numeric, funs(replace(., is.na(.), 0))) mutate_if(is.character, funs(replace(., is.na(.), 0))) 完整的分析 -
测试方法：
# 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
library(tidyverse)
dplyr_if_else <- function(x) { mutate_all(x, funs(if_else(is.na(.), 0, .))) }
dplyr_coalesce <- function(x) { mutate_all(x, funs(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, funs(ifelse(is.na(.), 0, .))) }
hybrd.rplc_all <- function(x) { mutate_all(x, funs(replace(., is.na(.), 0))) }
hybrd.rplc_at.idx<- function(x) { mutate_at(x, c(1:10), funs(replace(., is.na(.), 0))) }
hybrd.rplc_at.nse<- function(x) { mutate_at(x, vars(var1:var10), funs(replace(., is.na(.), 0))) }
hybrd.rplc_at.stw<- function(x) { mutate_at(x, vars(starts_with("var")), funs(replace(., is.na(.), 0))) }
hybrd.rplc_at.ctn<- function(x) { mutate_at(x, vars(contains("var")), funs(replace(., is.na(.), 0))) }
hybrd.rplc_at.mtc<- function(x) { mutate_at(x, vars(matches("d+")), funs(replace(., is.na(.), 0))) }
hybrd.rplc_if <- function(x) { mutate_if(x, is.numeric, funs(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) }
此分析的代码：
library(microbenchmark)
# 20% NA filled dataframe of 5 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)), 5e6*10, replace = TRUE),
dimnames = list(NULL, paste0("var", 1:10)),
ncol = 10))
# Running 250 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)),
baseR.sbst.rssgn = baseR.sbst.rssgn(copy(dfN)),
baseR.replace = baseR.replace(copy(dfN)),
dplyr_coalesce = dplyr_coalesce(copy(dfN)),
hybrd.rplc_at.nse= hybrd.rplc_at.nse(copy(dfN)),
hybrd.rplc_at.stw= hybrd.rplc_at.stw(copy(dfN)),
hybrd.rplc_at.ctn= hybrd.rplc_at.ctn(copy(dfN)),
hybrd.rplc_at.mtc= hybrd.rplc_at.mtc(copy(dfN)),
hybrd.rplc_at.idx= hybrd.rplc_at.idx(copy(dfN)),
hybrd.rplc_if = hybrd.rplc_if(copy(dfN)),
tidyr_replace_na = tidyr_replace_na(copy(dfN)),
baseR.for = baseR.for(copy(dfN)),
DT.for.set.nms = DT.for.set.nms(copy(dfN)),
DT.for.set.sqln = DT.for.set.sqln(copy(dfN)),
times = 250L
)
结果摘要
> perf_results
Unit: milliseconds
expr min lq mean median uq max neval
hybrid.ifelse 5250.5259 5620.8650 5809.1808 5759.3997 5947.7942 6732.791 250
dplyr_if_else 3209.7406 3518.0314 3653.0317 3620.2955 3746.0293 4390.888 250
baseR.sbst.rssgn 1611.9227 1878.7401 1964.6385 1942.8873 2031.5681 2485.843 250
baseR.replace 1559.1494 1874.7377 1946.2971 1920.8077 2002.4825 2516.525 250
dplyr_coalesce 949.7511 1231.5150 1279.3015 1288.3425 1345.8662 1624.186 250
hybrd.rplc_at.nse 735.9949 871.1693 1016.5910 1064.5761 1104.9590 1361.868 250
hybrd.rplc_at.stw 704.4045 887.4796 1017.9110 1063.8001 1106.7748 1338.557 250
hybrd.rplc_at.ctn 723.9838 878.6088 1017.9983 1063.0406 1110.0857 1296.024 250
hybrd.rplc_at.mtc 686.2045 885.8028 1013.8293 1061.2727 1105.7117 1269.949 250
hybrd.rplc_at.idx 696.3159 880.7800 1003.6186 1038.8271 1083.1932 1309.635 250
hybrd.rplc_if 705.9907 889.7381 1000.0113 1036.3963 1083.3728 1338.190 250
tidyr_replace_na 680.4478 973.1395 978.2678 1003.9797 1051.2624 1294.376 250
baseR.for 670.7897 965.6312 983.5775 1001.5229 1052.5946 1206.023 250
DT.for.set.nms 496.8031 569.7471 695.4339 623.1086 861.1918 1067.640 250
DT.for.set.sqln 500.9945 567.2522 671.4158 623.1454 764.9744 1033.463 250
结果Boxplot（以对数为单位）
# adjust the margins to prepare for better boxplot printing
par(mar=c(8,5,1,1) + 0.1)
# generate boxplot
boxplot(opN, las = 2, xlab = "", ylab = "log(time)[milliseconds]")
试验的彩色编码散点图（以对数表示）
qplot(y=time/10^9, data=opN, colour=expr) +
labs(y = "log10 Scaled Elapsed Time per Trial (secs)", x = "Trial Number") +
scale_y_log10(breaks=c(1, 2, 4))
关于其他高绩效员的说明
当数据集变大时，Tidyr的replace_na在历史上一直排在前面。 使用当前收集的50M数据点，它的性能几乎与Base R For Loop一样。 我很好奇看到不同大小的数据框会发生什么。
有关mutate和summarize _at和_all函数变体的其他示例可以在此处找到：https: _all另外，我在此处找到有用的演示和示例集合：https：// blog.exploratory.io/dplyr-0-5-is-awesome-heres-why-be095fd4eb8a
归因和赞赏
特别感谢：
local()和（与Frank的耐心帮助一起）沉默压制在加速这些方法中扮演的角色。 coalesce()函数并更新分析。 data.table函数，以便最终将它们包含在该data.table中。 （当然，如果你发现这些方法有用，请尽快给予他们赞扬。）
关于使用数字的注意事项：如果您确实有纯数据集，则所有函数的运行速度都会更快。 请参阅alexiz_laz的工作以获取更多信息。 IRL，我不记得遇到包含10-15％以上整数的数据集，所以我正在全数字数据框上运行这些测试。
链接地址: http://www.djcxy.com/p/24883.html上一篇: How do I replace NA values with zeros in an R dataframe?