使用dplyr过滤data.frame中的完整案例（逐案删除）

是否可以使用dplyr过滤data.frame以获取完整案例？complete.cases当然，列出所有变量的列表是可行的。但这是a）当有很多变量时冗长； b）当变量名未知时（例如，在处理任何data.frame的函数中），则不可能。

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

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

试试这个：

df %>% na.omit

或这个：

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

或这个：

library(tidyr)
df %>% drop_na

如果要基于一个变量的缺失进行过滤，请使用条件语句：

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

要么

df %>% drop_na(x1)

其他答案表明，上述解决方案的na.omit速度要慢得多，但必须权衡以下事实：它返回na.action属性中被省略行的行索引，而上述其他解决方案则没有。

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"

ADDED已经更新，以反映最新版本dplyr和评论。

ADDED已经更新，以反映最新版本tidyr和评论。

这对我有用：

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

或更一般：

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

这样做的好处是，在将数据传递到过滤器之前，可以在链中对其进行修改。

带有更多列的另一个基准：

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

以下是格洛腾迪克的一些基准测试结果。na.omit（）花费的时间是其他两个解决方案的20倍。我认为，如果dplyr为此功能提供一个功能，也许可以作为过滤器的一部分。

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

这是一个简短的函数，可让您指定dplyr::select不应具有任何NA值的列（基本上可以理解的所有列）（以pandas df.dropna（）为模型）：

drop_na <- function(data, ...){
    if (missing(...)){
        f = complete.cases(data)
    } else {
        f <- complete.cases(select_(data, .dots = lazyeval::lazy_dots(...)))
    }
    filter(data, f)
}

[ drop_na现在是tidyr的一部分：上面可以替换为library("tidyr")]

例子：

library("dplyr")
df <- data.frame(a=c(1,2,3,4,NA), b=c(NA,1,2,3,4), ac=c(1,2,NA,3,4))
df %>% drop_na(a,b)
df %>% drop_na(starts_with("a"))
df %>% drop_na() # drops all rows with NAs

试试这个

df[complete.cases(df),] #output to console

甚至这个

df.complete <- df[complete.cases(df),] #assign to a new data.frame

上面的命令负责检查data.frame中所有列（变量）的完整性。

仅出于完整性考虑，dplyr::filter可以完全避免，但仅使用magrittr:extract（的别名[）仍可以组成链：

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

df %>%
  extract(complete.cases(.), )

额外的好处是速度，这是filter和na.omit变体中最快的方法（使用@MihaTrošt微基准测试）。