如何在R数据帧中用零替换NA值？

我有一个数据框，有些列有NA值。

如何将这些NA值替换为零？

在@ gsk3答案中查看我的评论。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

无需申请apply。=）

编辑

您还应该看看norm包装。它具有许多出色的功能，可用于丢失数据分析。=）

dplyr杂交选项现在比Base R子集重新分配的速度快30％。在100M数据点上，数据帧的mutate_all(~replace(., is.na(.), 0))运行速度比基本R d[is.na(d)] <- 0选项快半秒。特别要避免的是使用ifelse()或if_else()。（由于使用了这些方法，因此完整的600次试用分析要花4.5个小时以上。）有关完整结果，请参阅下面的基准分析。

如果您在海量数据帧中苦苦挣扎，那data.table是最快的选择：比标准Base R方法快40％。它还可以修改适当的数据，有效地使您可以一次处理将近两倍的数据。

一系列其他有用的tidyverse替代方法

位置：

• 指数 mutate_at(c(5:10), ~replace(., is.na(.), 0))
• 直接参考 mutate_at(vars(var5:var10), ~replace(., is.na(.), 0))
• 固定比赛 mutate_at(vars(contains("1")), ~replace(., is.na(.), 0))
  • 或代替contains()，尝试ends_with()，starts_with()
• 模式匹配 mutate_at(vars(matches("\\d{2}")), ~replace(., is.na(.), 0))

有条件的：（
仅更改单个类型，而让其他类型保持不变。）

• 整数 mutate_if(is.integer, ~replace(., is.na(.), 0))
• 数字 mutate_if(is.numeric, ~replace(., is.na(.), 0))
• 弦 mutate_if(is.character, ~replace(., is.na(.), 0))

完整分析-

已针对dplyr 0.8.0更新：函数使用purrr格式的~符号：替换不推荐使用的funs()参数。

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
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.nafill        <- function(x) { nafill(df, fill=0)}
DT.setnafill     <- function(x) { setnafill(df, fill=0)}

此分析的代码：

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
)

结果汇总

> 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

结果箱线图

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()

试验的颜色编码散点图（y轴为对数刻度）

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)))

关于其他高绩效者的说明

当数据集变得越来越大，Tidyr “的replace_na历来在前面拉出。当前要收集100M个数据点，它的性能几乎与Base R For Loop一样好。我很好奇看到不同大小的数据帧会发生什么。

额外的例子mutate，并summarize _at和_all功能变异可以在这里找到：https://rdrr.io/cran/dplyr/man/summarise_all.html 此外，我还发现有用的演示和实例集合在这里：HTTPS：//blog.exploratory。 io / dplyr-0-5-很棒-为什么-be095fd4eb8a

归因与欣赏

特别感谢：

• Tyler Rinker和Akrun演示了微基准测试。
• alexis_laz致力于帮助我理解的使用local()，并且（在弗兰克的耐心帮助下）也发挥了沉默的强制作用在加速这些方法中的作用。
• ArthurYip为戳添加更多内容 coalesce()功能并更新分析。
• 要求微调充分了解这些data.table功能，以便最终将它们包括在阵容中。
• Base R For循环：alexis_laz
• data.table For循环：Matt_Dowle
• Roman解释了is.numeric()真正的测试。

（当然，如果您发现这些方法有用，也请伸手给他们投票）。

关于我使用数字的注意事项： 如果确实有一个纯整数数据集，则所有函数的运行速度都会更快。有关更多信息，请参见 alexiz_laz的作品。IRL，我想不起遇到一个包含超过10-15％整数的数据集的情况，因此我正在全数字数据帧上运行这些测试。

硬件使用的 3.9 GHz CPU和24 GB RAM

对于单个向量：

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

对于data.frame，请根据上述内容创建一个函数，然后将apply其移至各列。

请下次提供可复制的示例，如下所示：

如何制作出色的R可复制示例？

dplyr示例：

library(dplyr)

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

注意：这对每个选定的列都有效，如果我们需要对所有列进行此操作，请参阅@reidjax使用mutate_each的答案。

如果我们NA在导出时尝试替换s，例如在写入csv时，则可以使用：

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

我知道这个问题已经回答了，但是这样做对某些人可能更有用：

定义此功能：

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

现在，每当需要将向量中的NA转换为零时，都可以执行以下操作：

na.zero(some.vector)

在dplyr0.5.0中，您可以使用coalesce可以轻松集成到%>%管道中的函数coalesce(vec, 0)。这将所有NA替换vec为0：

假设我们有一个带有NAs 的数据框：

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

使用的更一般的方法replace()在基质或载体中以替换NA到0

例如：

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

这也是ifelse()在dplyr

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

也可以使用tidyr::replace_na。

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

使用imputeTS包的另一个示例：

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

如果要替换因子变量中的NA，这可能会很有用：

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") 

它将因子向量转换为数值向量，并添加另一个人工数值因子级别，然后将其转换回具有选择的一个额外“ NA级别”的因子向量。

本来会对@ianmunoz的帖子发表评论，但我没有足够的声誉。您可以结合dplyr的mutate_each，并replace要照顾NA到0更换。使用@ aL3xa答案中的数据框...

> 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

我们在这里使用标准评估（SE），这就是为什么我们需要在“ funs_” 下划线。我们还使用lazyeval的interp/ ~和.引用“我们正在使用的所有工具”，即数据框。现在有零！

您可以使用 replace()

例如：

> 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

另一个与dplyr管道兼容的选项，其tidyr方法replace_na适用于几列：

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)

您可以轻松地限制为例如数字列：

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

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

df <- d %>% replace_na(myList)

专用功能（nafill/ setnafill）是最新data.table版本

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

从Datacamp提取的这个简单函数可以帮助：

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
}

然后

replace_missings(df, replacement = 0)

一个简单的写法是if_nafrom hablar：

library(dplyr)
library(hablar)

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

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

返回：

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

要替换数据框中的所有NA，可以使用：

df %>% replace(is.na(.), 0)

如果要在此情况下在第V3列的特定列中更改NA后分配新名称，请使用您也可以这样

my.data.frame$the.new.column.name <- ifelse(is.na(my.data.frame$V3),0,1)