dplyrでNAを0(na.rm = TRUE)として処理するエレガントな方法はありますか?
data <- data.frame(a=c(1,2,3,4), b=c(4,NA,5,6), c=c(7,8,9,NA))
data %>% mutate(sum = a + b + c)
a b c sum
1 4 7 12
2 NA 8 NA
3 5 9 17
4 6 NA NA
but I like to get
a b c sum
1 4 7 12
2 NA 8 10
3 5 9 17
4 6 NA 10
他の多くの場合、これが望ましい結果ではないことを知っていても
これを使用できます:
library(dplyr)
data %>%
#rowwise will make sure the sum operation will occur on each row
rowwise() %>%
#then a simple sum(..., na.rm=TRUE) is enough to result in what you need
mutate(sum = sum(a,b,c, na.rm=TRUE))
出力:
Source: local data frame [4 x 4]
Groups: <by row>
a b c sum
(dbl) (dbl) (dbl) (dbl)
1 1 4 7 12
2 2 NA 8 10
3 3 5 9 17
4 4 6 NA 10
別のオプション:
data %>%
mutate(sum = rowSums(., na.rm = TRUE))
ベンチマーク
library(microbenchmark)
mbm <- microbenchmark(
steven = data %>% mutate(sum = rowSums(., na.rm = TRUE)),
lyz = data %>% rowwise() %>% mutate(sum = sum(a, b, c, na.rm=TRUE)),
nar = apply(data, 1, sum, na.rm = TRUE),
akrun = data %>% mutate_each(funs(replace(., which(is.na(.)), 0))) %>% mutate(sum=a+b+c),
frank = data %>% mutate(sum = Reduce(function(x,y) x + replace(y, is.na(y), 0), .,
init=rep(0, n()))),
times = 10)
#Unit: milliseconds
# expr min lq mean median uq max neval cld
# steven 9.493812 9.558736 18.31476 10.10280 22.55230 65.15325 10 a
# lyz 6791.690570 6836.243782 6978.29684 6915.16098 7138.67733 7321.61117 10 c
# nar 702.537055 723.256808 799.79996 805.71028 849.43815 909.36413 10 b
# akrun 11.372550 11.388473 28.49560 11.44698 20.21214 155.23165 10 a
# frank 20.206747 20.695986 32.69899 21.12998 25.11939 118.14779 10 a
または、replace
NA
を0にして、OPのコードを使用できます
data %>%
mutate_each(funs(replace(., which(is.na(.)), 0))) %>%
mutate(Sum= a+b+c)
#or as @Frank mentioned
#mutate(Sum = Reduce(`+`, .))
@StevenBeaupréデータを使用したベンチマークに基づいて、同様に効率的であるようです。
これを試して
data$sum <- apply(data, 1, sum, na.rm = T)
結果のdata
は
a b c sum
1 1 4 7 12
2 2 NA 8 10
3 3 5 9 17
4 4 6 NA 10
Stevenのアプローチと似ていますが、 dplyr::select()
を含めて、どの列を含めるか無視するかを明示的に指定します(ID変数など)。
data %>%
mutate(sum = rowSums(dplyr::select(., a, b, c), na.rm = TRUE))
現実的なサイズのデータセットと同等のパフォーマンスがあります。ただし、このスキニーな例では実際に列が除外されていないため、理由はわかりません。
1M行のより大きなデータセット:
pick <- function() { sample(c(1:5, NA), 1000000, replace=T) }
data <- data.frame(a=pick(), b=pick(), c=pick())
結果:
Unit: milliseconds
expr min lq mean median uq max neval cld
steven 22.05847 22.96164 56.84822 28.85411 54.99691 174.58447 10 a
wibeasley 25.10274 26.98303 30.66911 29.30630 30.63343 49.46048 10 a
lyz 10408.89904 10548.33756 10887.51930 10720.92372 11017.56256 12250.41370 10 c
nar 1975.35941 2011.36445 2123.81705 2090.43174 2172.80501 2362.13658 10 b
akrun 31.27247 35.41943 81.33320 57.93900 63.59119 302.21059 10 a
frank 37.48265 38.72270 65.02965 41.62735 44.45775 261.79898 10 a