Відповіді:
Спробуйте це:
df <- df[,colSums(is.na(df))<nrow(df)]
Два запропоновані підходи поки що не спрацьовують з великими наборами даних, оскільки (серед інших проблем із пам'яттю) вони створюються is.na(df)
, що буде об'єктом такого ж розміру, як df
.
Ось два підходи, які ефективніше пам’яті та часом
Підхід із використанням Filter
Filter(function(x)!all(is.na(x)), df)
і підхід із використанням даних.table (для загальної ефективності часу та пам'яті)
library(data.table)
DT <- as.data.table(df)
DT[,which(unlist(lapply(DT, function(x)!all(is.na(x))))),with=F]
big_data <- replicate(10, data.frame(rep(NA, 1e6), sample(c(1:8,NA),1e6,T), sample(250,1e6,T)),simplify=F)
bd <- do.call(data.frame,big_data)
names(bd) <- paste0('X',seq_len(30))
DT <- as.data.table(bd)
system.time({df1 <- bd[,colSums(is.na(bd) < nrow(bd))]})
# error -- can't allocate vector of size ...
system.time({df2 <- bd[, !apply(is.na(bd), 2, all)]})
# error -- can't allocate vector of size ...
system.time({df3 <- Filter(function(x)!all(is.na(x)), bd)})
## user system elapsed
## 0.26 0.03 0.29
system.time({DT1 <- DT[,which(unlist(lapply(DT, function(x)!all(is.na(x))))),with=F]})
## user system elapsed
## 0.14 0.03 0.18
data.frame
. Тут немає нічого, що насправді потрібно data.table
. Ключовим моментом є те lapply
, що дозволяє уникнути копіювання всього об'єкта, зробленого is.na(df)
. +10 для вказівки на це.
bd1 <- bd[, unlist(lapply(bd, function(x), !all(is.na(x))))]
,
після function(x)
- дякую за приклад btw
dplyr
Тепер select_if
дієслово, яке може бути тут корисним:
library(dplyr)
temp <- data.frame(x = 1:5, y = c(1,2,NA,4, 5), z = rep(NA, 5))
not_all_na <- function(x) any(!is.na(x))
not_any_na <- function(x) all(!is.na(x))
> temp
x y z
1 1 1 NA
2 2 2 NA
3 3 NA NA
4 4 4 NA
5 5 5 NA
> temp %>% select_if(not_all_na)
x y
1 1 1
2 2 2
3 3 NA
4 4 4
5 5 5
> temp %>% select_if(not_any_na)
x
1 1
2 2
3 3
4 4
5 5
dplyr
рішення. Не розчарувався. Дякую!
Іншим способом було б використання apply()
функції.
Якщо у вас є data.frame
df <- data.frame (var1 = c(1:7,NA),
var2 = c(1,2,1,3,4,NA,NA,9),
var3 = c(NA)
)
тоді ви можете використовувати, apply()
щоб побачити, які стовпці відповідають вашій умові, і ви зможете просто виконати те саме підмноження, як у відповіді Муса, лише з apply
підходом.
> !apply (is.na(df), 2, all)
var1 var2 var3
TRUE TRUE FALSE
> df[, !apply(is.na(df), 2, all)]
var1 var2
1 1 1
2 2 2
3 3 1
4 4 3
5 5 4
6 6 NA
7 7 NA
8 NA 9
Прийнята відповідь не працює з нечисловими стовпцями. З цієї відповіді наведені нижче роботи зі стовпцями, що містять різні типи даних
Filter(function(x) !all(is.na(x)), df)
Я сподіваюся, що це також може допомогти. Це можна скласти в одну команду, але мені було легше читати, розділивши її на дві команди. Я зробив функцію з наступною інструкцією і працював блискавично.
naColsRemoval = function (DataTable) {
na.cols = DataTable [ , .( which ( apply ( is.na ( .SD ) , 2 , all ) ) )]
DataTable [ , unlist (na.cols) := NULL , with = F]
}
.SD дозволить обмежити перевірку частиною таблиці, якщо ви хочете, але вона займе всю таблицю як
Ви можете скористатися пакетом Janitor remove_empty
library(janitor)
df %>%
remove_empty(c("rows", "cols")) #select either row or cols or both
Також ще один підхід dplyr
library(dplyr)
df %>% select_if(~all(!is.na(.)))
АБО
df %>% select_if(colSums(!is.na(.)) == nrow(df))
це також корисно, якщо ви хочете виключити / зберегти стовпець лише з певною кількістю відсутніх значень, наприклад
df %>% select_if(colSums(!is.na(.))>500)