有条件地选择dplyr中的列,其中某些比例的值为NA

Question

数据

我正在使用类似于data.frame下面生成的数据集:

set.seed(1)
dta <- data.frame(observation = 1:20,
                  valueA = runif(n = 20),
                  valueB = runif(n = 20),
                  valueC = runif(n = 20),
                  valueD = runif(n = 20))
dta[2:5,3] <- NA
dta[2:10,4] <- NA
dta[7:20,5] <- NA

列具有NA值,最后一列具有超过60%的观察值NAs.

> sapply(dta, function(x) {table(is.na(x))})
$observation

FALSE 
   20 

$valueA

FALSE 
   20 

$valueB

FALSE  TRUE 
   16     4 

$valueC

FALSE  TRUE 
   11     9 

$valueD

FALSE  TRUE 
    6    14 

问题

我希望能够以dplyr某种方式将管道中的这一列移到select参数中.

尝试

这可以很容易地完成base.例如,要选择低于50%的 列,NAs我可以这样做:

dta[, colSums(is.na(dta)) < nrow(dta) / 2]

产生:

> head(dta[, colSums(is.na(dta)) < nrow(dta) / 2], 2)
  observation    valueA    valueB    valueC
1           1 0.2655087 0.9347052 0.8209463
2           2 0.3721239        NA        NA

---

任务

我有兴趣在dplyr管道上实现同样的灵活性:

Vectorize(require)(package = c("dplyr",         # Data manipulation
                               "magrittr"),     # Reverse pipe

char = TRUE)

dta %<>%
  # Some transformations I'm doing on the data
  mutate_each(funs(as.numeric)) %>% 
  # I want my select to take place here

Answer 1

也许这样吗？

dta %>% select(which(colMeans(is.na(.)) < 0.5)) %>% head
#  observation    valueA    valueB    valueC
#1           1 0.2655087 0.9347052 0.8209463
#2           2 0.3721239        NA        NA
#3           3 0.5728534        NA        NA
#4           4 0.9082078        NA        NA
#5           5 0.2016819        NA        NA
#6           6 0.8983897 0.3861141        NA

更新与colMeans替代的colSums,这意味着你不需要通过行数更多的分.

而且,只是为了记录,在基地R你也可以使用colMeans:

dta[,colMeans(is.na(dta)) < 0.5]

Answer 2

我们可以在获得逻辑向量后使用extractfrommagrittrsummarise_each/unlist

library(magrittr)
library(dplyr)
dta %>% 
    summarise_each(funs(sum(is.na(.)) < n()/2)) %>% 
    unlist() %>%
    extract(dta,.)

或者使用Filter来自base R

Filter(function(x) sum(is.na(x)) < length(x)/2, dta)

或者一个稍微紧凑的选项是

Filter(function(x) mean(is.na(x)) < 0.5, dta)

Answer 3

我认为这可以做到：

dta %>% select_if(~mean(is.na(.)) < 0.5) %>% head() 


 observation    valueA    valueB    valueC
  1           0.2655087 0.9347052 0.8209463
  2           0.3721239        NA        NA
  3           0.5728534        NA        NA
  4           0.9082078        NA        NA
  5           0.2016819        NA        NA
  6           0.8983897 0.3861141        NA

`

Answer 4

也许是 2020 年的更新，现在dplyr达到了 1.0.0，其中包含where()：

dta %>% select(where(function(x) sum(is.na(x)) / length(x) < 0.5))