web-dev-qa-db-ja.com

RデータフレームのNA値をゼロに置き換えるにはどうすればよいですか。

データフレームがあり、いくつかの列にはNA値があります。

これらのNA値をゼロで置き換える方法は？

rdataframena
603
Renato Dinhani

@ gsk3の回答で私のコメントを参照してください。簡単な例：

> 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

applyを適用する必要はありません。 =）

_編集_

normパッケージも見てください。それは欠けているデータ分析のための素晴らしい機能をたくさん持っています。 =）

742
aL3xa

Dplyrハイブリッドオプションは、Base Rサブセットの再割り当てよりも約30％高速になりました。 100Mデータポイントのデータフレームでは、mutate_all(~replace(., is.na(.), 0))はベースのR d[is.na(d)] <- 0オプションよりも0.5秒高速に実行されます。特に避けたいのは、ifelse()またはif_else()を使用することです。 （完全な600回の試行分析は、主にこれらのアプローチを含むため、4.5時間以上かかりました。）完全な結果については、以下のベンチマーク分析を参照してください。

大規模なデータフレームで苦労している場合、data.tableが最も速いオプションです。標準Base Rアプローチよりも40％高速です。また、所定の場所にあるデータを変更し、ほぼ2倍のデータを一度に処理できるようにします。

他の有用な整頓代替アプローチのクラスタリング

Locationally：

  • indexmutate_at(c(5:10), ~replace(., is.na(.), 0))
  • 直接参照mutate_at(vars(var5:var10), ~replace(., is.na(.), 0))
  • 固定マッチmutate_at(vars(contains("1")), ~replace(., is.na(.), 0))
    • またはcontains()の代わりに、ends_with()、starts_with()を試してください
  • パターン一致mutate_at(vars(matches("\\d{2}")), ~replace(., is.na(.), 0))

条件付き：
（数値（列）のみを変更し、文字列（列）をそのままにします。）

  • 整数mutate_if(is.integer, ~replace(., is.na(.), 0))
  • doublesmutate_if(is.numeric, ~replace(., is.na(.), 0))
  • 文字列mutate_if(is.character, ~replace(., is.na(.), 0))

完全な分析-

dplyr 0.8.0用に更新：関数はpurrr形式を使用~シンボル：非推奨のfuns()引数を置き換えます。

テスト済みのアプローチ：

# 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)}

この分析のコード：

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
)

結果の概要

> 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

結果の箱ひげ図

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

色分けされた試行の散布図（対数目盛のy軸）

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

他の高性能の人に関するメモ

データセットが大きくなると、Tidyr '' s replace_naが歴史的に前に引き出されていました。実行する50Mのデータポイントの現在のコレクションでは、Base R Forループとほぼ同様に実行されます。さまざまなサイズのデータ​​フレームで何が起こるかを知りたいです。

mutateおよびsummarize_atおよび_all関数バリアントの追加例は、ここにあります： https://rdrr.io/cran/dplyr/man/summarise_all.html さらに、有用なデモンストレーションと例のコレクションをここで見つけました： https://blog.exploratory.io/dplyr-0-5-is-awesome-heres-why-be095fd4eb8a

帰属と感謝

特に感謝します：

  • タイラーリンカー および Akrun マイクロベンチマークを示します。
  • alexis_lazlocal()の使用を理解する手助けをしてくれたこと、および（フランクの患者の助けも借りて）これらのアプローチの多くを高速化するためにサイレント強制が果たす役割について。
  • ArthurYipが新しいcoalesce()関数を追加して分析を更新します。
  • data.table関数を十分に理解して、最終的にそれらをラインナップに含めるためのNudgeのGregor。
  • Base R Forループ： alexis_laz
  • data.tableForループ： Matt_Dowle

（もちろん、これらのアプローチが有用であると思う場合は、手を伸ばして彼らに賛成票を与えてください。）

数値の使用に関する注意：純粋な整数データセットがある場合、すべての関数がより速く実行されます。詳細については、 alexiz_lazの作業 を参照してください。 IRL、10〜15％を超える整数を含むデータセットに遭遇したことを思い出せないので、完全に数値のデータフレームでこれらのテストを実行しています。

使用ハードウェア 24 GB RAMの3.9 GHz CPU

236
leerssej

単一ベクトルの場合：

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

Data.frameの場合は、上記以外の関数を作成してから、それを列にapplyします。

ここに詳述されているように次回再現可能な例を提供して下さい：

すばらしいRの再現可能な例を作る方法は？

111
Ari B. Friedman

dplyrの例：

library(dplyr)

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

注： これは選択した列ごとに機能します。すべての列に対してこれを実行する必要がある場合は、 mutate_each を使用した@reidjaxの回答を参照してください。

66
ianmunoz

エクスポート時、例えばcsvへの書き込み時にNAsを置き換えようとしている場合は、次のように使用できます。

  write.csv(data, "data.csv", na = "0")
50
mrsoltys

私は質問がすでに答えられているのを知っています、しかしそれをこのようにすることはある人にとってもっと役に立つかもしれません：

この機能を定義します。

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

ベクトルのNAをゼロに変換する必要があるときはいつでも、次のことができます。

na.zero(some.vector)
44
krishan404

dplyr 0.5.0では、coalesce(vec, 0)を実行することで%>%パイプラインに簡単に統合できるcoalesce関数を使用できます。これはvec内のすべてのNAを0に置き換えます。

NAsを含むデータフレームがあるとします。

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
20
Psidom

NAを0に置き換えるために行列またはベクトルでreplace()を使用するより一般的なアプローチ

例えば：

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

これはdplyrでifelse()を使う代わりにもなります。

df = data.frame(col = c(1,2,NA,NA,1,1))
df <- df %>%
   mutate(col = replace(col,is.na(col),0))
19
Charleslmh

因子変数のNAを置き換えたい場合は、これが便利かもしれません。

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")

因子ベクトルを数値ベクトルに変換し、別の人工的な数値因子レベルを追加します。その後、選択した「NAレベル」が1つ追加された因子ベクトルに変換します。

8
user6075957

imputeTS packageを使用した別の例

library(imputeTS)
na.replace(yourDataframe, 0)
8
stats0007

@ ianmunozの投稿にコメントしたはずですが、私は十分な評判がありません。 dplyrのmutate_eachとreplaceを組み合わせて、NAから0への置き換えを行うことができます。 @ aL3xaの回答からのデータフレームを使用して...

> 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

ここでは標準評価（SE）を使用しているので、 "funs_"にアンダースコアが必要です。また、lazyevalのinterp/~と.は、「作業中のすべて」、つまりデータフレームを参照します。今ゼロがあります！

7
reidjax

tidyr::replace_naを使用することも可能です。

    library(tidyr)
    df <- df %>% mutate_all(funs(replace_na(.,0)))
5
Sasha

あなたはreplace()を使うことができます

例えば：

> 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

dplyrmethod replace_naを使ったいくつかのtidyrパイプ互換オプションは、いくつかのカラムで動作します。

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)

あなたは簡単に制限することができます。数値列

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

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

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

Datacamp から抽出されたこの単純な関数は、次のことに役立ちます。

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
}

それから

replace_missings(df, replacement = 0)
3
Fábio

そのための専用関数（nafill/setnafill）は最近のdata.tableバージョンにあります

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

簡単な書き方は、hablarのif_naを使用することです。

library(dplyr)
library(hablar)

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

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

返されるもの：

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