报告data.frame中缺失值的优雅方法

这是我编写的一小段代码，用于报告数据框中缺少值的变量。我正在尝试一种更优雅的方式来执行此操作，该方法可能返回一个data.frame，但我遇到了麻烦：

for (Var in names(airquality)) {
    missing <- sum(is.na(airquality[,Var]))
    if (missing > 0) {
        print(c(Var,missing))
    }
}

编辑：我正在处理具有数十到数百个变量的data.frames，所以关键是我们只报告缺少值的变量。

只需使用 sapply

> sapply(airquality, function(x) sum(is.na(x)))
  Ozone Solar.R    Wind    Temp   Month     Day 
     37       7       0       0       0       0

您也可以在由创建的矩阵上使用apply或colSumsis.na()

> apply(is.na(airquality),2,sum)
  Ozone Solar.R    Wind    Temp   Month     Day 
     37       7       0       0       0       0
> colSums(is.na(airquality))
  Ozone Solar.R    Wind    Temp   Month     Day 
     37       7       0       0       0       0 

我们可以map_df和purrr一起使用。

library(mice)
library(purrr)

# map_df with purrr
map_df(airquality, function(x) sum(is.na(x)))
# A tibble: 1 × 6
# Ozone Solar.R  Wind  Temp Month   Day
# <int>   <int> <int> <int> <int> <int>
# 1    37       7     0     0     0     0

我最喜欢（不太宽的）数据的是出色的naniar软件包中的方法。不仅您获得频率，而且获得缺失的模式：

library(naniar)
library(UpSetR)

riskfactors %>%
  as_shadow_upset() %>%
  upset()

通常，查看与非缺失有关的缺失在哪里很有用，这可以通过绘制具有缺失的散点图来实现：

ggplot(airquality,
       aes(x = Ozone,
           y = Solar.R)) +
 geom_miss_point()

或对于分类变量：

gg_miss_fct(x = riskfactors, fct = marital)

这些示例来自包装插图，其中列出了其他有趣的可视化效果。

summary(airquality)

已经给你这个信息

该VIM包还提供了一些不错的失踪data.frame数据图

library("VIM")
aggr(airquality)

更简洁： sum(is.na(x[1]))

那是

1. x[1] 看第一列

2. is.na() 如果是，则为真 NA

3. sum() TRUE是1，FALSE是0

另一个图形替代方案-plot_missing出色的DataExplorer包装功能：

Docs还指出了一个事实，您可以使用保存该结果以进行进一步分析missing_data <- plot_missing(data)。

可以帮助您查看丢失数据的另一个函数是funModeling库中的df_status

library(funModeling)

iris.2是带有某些NA的虹膜数据集。您可以将其替换为数据集。

df_status(iris.2)

这将为您提供每列中NA的数量和百分比。

对于另一种图形解决方案，visdat 包提供了vis_miss。

library(visdat)
vis_miss(airquality)

与Amelia输出非常相似，但开箱即用的缺失会产生％s，差异很小。

我认为Amelia库在处理丢失数据方面做得很好，还包括用于可视化丢失行的地图。

install.packages("Amelia")
library(Amelia)
missmap(airquality)

您还可以运行以下代码，将返回na的逻辑值

row.has.na <- apply(training, 1, function(x){any(is.na(x))})

另一个图形和互动的方式是使用is.na10功能从heatmaply库：

library(heatmaply)

heatmaply(is.na10(airquality), grid_gap = 1, 
          showticklabels = c(T,F),
            k_col =3, k_row = 3,
            margins = c(55, 30), 
            colors = c("grey80", "grey20"))

大型数据集可能无法很好地工作。

如果要对特定列进行操作，则也可以使用此方法

length(which(is.na(airquality[1])==T))

ExPanDaR的打包功能prepare_missing_values_graph可用于浏览面板数据：

一种dplyr获得计数的解决方案可能是：

summarise_all(df, ~sum(is.na(.)))

或获得百分比：

summarise_all(df, ~(sum(is_missing(.) / nrow(df))))

也许还值得注意的是，丢失的数据可能是丑陋的，不一致的，并且并非总是NA根据源或导入时的处理方式进行编码。可以根据您的数据和要考虑丢失的内容来调整以下功能：

is_missing <- function(x){
  missing_strs <- c('', 'null', 'na', 'nan', 'inf', '-inf', '-9', 'unknown', 'missing')
  ifelse((is.na(x) | is.nan(x) | is.infinite(x)), TRUE,
         ifelse(trimws(tolower(x)) %in% missing_strs, TRUE, FALSE))
}

# sample ugly data
df <- data.frame(a = c(NA, '1', '  ', 'missing'),
                 b = c(0, 2, NaN, 4),
                 c = c('NA', 'b', '-9', 'null'),
                 d = 1:4,
                 e = c(1, Inf, -Inf, 0))

# counts:
> summarise_all(df, ~sum(is_missing(.)))
  a b c d e
1 3 1 3 0 2

# percentage:
> summarise_all(df, ~(sum(is_missing(.) / nrow(df))))
     a    b    c d   e
1 0.75 0.25 0.75 0 0.5