使用dplyr过滤data.frame中的完整案例（逐例删除）

Question

是否可以使用 dplyr 筛选完整案例的数据帧？当然，包含所有变量列表的完整案例是有效的。但这是a）当有很多变量时很详细，b）当变量名称未知时是不可能的（例如，在处理任何data.frame的函数中）。

library(dplyr)
df = data.frame(
    x1 = c(1,2,3,NA),
    x2 = c(1,2,NA,5)
)

df %.%
  filter(complete.cases(x1,x2))

Answer 1

下面是Grothendieck回答的一些基准结果。不。omit（）花费的时间是其他两个解决方案的20倍。我认为如果dplyr有一个函数，可能作为过滤器的一部分，那将是一件好事。

library('rbenchmark')
library('dplyr')

n = 5e6
n.na = 100000
df = data.frame(
    x1 = sample(1:10, n, replace=TRUE),
    x2 = sample(1:10, n, replace=TRUE)
)
df$x1[sample(1:n, n.na)] = NA
df$x2[sample(1:n, n.na)] = NA


benchmark(
    df %>% filter(complete.cases(x1,x2)),
    df %>% na.omit(),
    df %>% (function(x) filter(x, complete.cases(x)))()
    , replications=50)

#                                                  test replications elapsed relative
# 3 df %.% (function(x) filter(x, complete.cases(x)))()           50   5.422    1.000
# 1               df %.% filter(complete.cases(x1, x2))           50   6.262    1.155
# 2                                    df %.% na.omit()           50 109.618   20.217

Answer 2

这对我很有效:

df %>%
  filter(complete.cases(df))    

或者更笼统一点：

library(dplyr) # 0.4
df %>% filter(complete.cases(.))

这样做的好处是，在将数据传递到筛选器之前，可以在链中修改数据。

另一个具有更多列的基准：

set.seed(123)
x <- sample(1e5,1e5*26, replace = TRUE)
x[sample(seq_along(x), 1e3)] <- NA
df <- as.data.frame(matrix(x, ncol = 26))
library(microbenchmark)
microbenchmark(
  na.omit = {df %>% na.omit},
  filter.anonymous = {df %>% (function(x) filter(x, complete.cases(x)))},
  rowSums = {df %>% filter(rowSums(is.na(.)) == 0L)},
  filter = {df %>% filter(complete.cases(.))},
  times = 20L,
  unit = "relative")

#Unit: relative
#             expr       min        lq    median         uq       max neval
 #         na.omit 12.252048 11.248707 11.327005 11.0623422 12.823233    20
 #filter.anonymous  1.149305  1.022891  1.013779  0.9948659  4.668691    20
 #         rowSums  2.281002  2.377807  2.420615  2.3467519  5.223077    20
 #          filter  1.000000  1.000000  1.000000  1.0000000  1.000000    20

Answer 3

试试这个：

df %>% na.omit

或者这个:

df %>% filter(complete.cases(.))

或者这个:

library(tidyr)
df %>% drop_na

如果要根据一个变量的缺失进行筛选，请使用条件：

df %>% filter(!is.na(x1))

或者

df %>% drop_na(x1)

其他答案表明，上面的解决方案na.omit要慢得多，但这必须与它在na.action属性中返回省略行的行索引这一事实相平衡，而上面的其他解决方案则不然。

str(df %>% na.omit)
## 'data.frame':   2 obs. of  2 variables:
##  $ x1: num  1 2
##  $ x2: num  1 2
##  - attr(*, "na.action")= 'omit' Named int  3 4
##    ..- attr(*, "names")= chr  "3" "4"

已更新以反映最新版本的 dplyr 和注释。

已更新以反映最新版本的整理器和注释。