R：汇总多列（数字，字符）并删除 NA

Question

我有一个包含很多列 (~50) 的 data.frame。其中一些是字符，一些是数字，其中 3 个用于分组。

我需要：

从数字列中删除 NA
计算每个数字列的平均值
提取字符列的第一个元素

比方说，我们使用修改后的虹膜数据如下：

data(iris)
iris$year <- rep(c(2000,3000),each=25) ## for grouping
iris$color <- rep(c("red","green","blue"),each=50) ## character column
iris[1,] <- NA ## introducing NAs

我总共有大约 50 列，数字和字符混合在一起。我一直在尝试类似的东西：

giris <- group_by(iris, Species, year)
cls <- unlist(sapply(giris, class)) ## find out classes
action <- ifelse(cls == "numeric", "mean", "first")
action <- paste(action)
summarise_each(giris, action)

我得到的是组中所有列的意思，后跟各组中具有第一个值的列。而且 NA 没有得到处理...这不是我想要的...

有人帮忙吗？

Answer 1

您可以在 summarise_each 的 funs 中使用 if/else 进行尝试：

iris %>% 
  group_by(Species, year) %>% 
  summarise_each(funs(if(is.numeric(.)) mean(., na.rm = TRUE) else first(.)))

由于您在分组列中也有一些 NA，因此您可以添加 filter 语句：

iris %>% 
  filter(!is.na(Species) & !is.na(year)) %>% 
  group_by(Species, year) %>% 
  summarise_each(funs(if(is.numeric(.)) mean(., na.rm = TRUE) else first(.)))
#Source: local data frame [6 x 7]
#Groups: Species [?]
#
#     Species  year Sepal.Length Sepal.Width Petal.Length Petal.Width color
#      (fctr) (dbl)        (dbl)       (dbl)        (dbl)       (dbl) (chr)
#1     setosa  2000        5.025    3.479167       1.4625       0.250   red
#2     setosa  3000        4.984    3.376000       1.4640       0.244   red
#3 versicolor  2000        6.012    2.776000       4.3120       1.344 green
#4 versicolor  3000        5.860    2.764000       4.2080       1.308 green
#5  virginica  2000        6.576    2.928000       5.6400       2.044  blue
#6  virginica  3000        6.600    3.020000       5.4640       2.008  blue

为避免颜色列（或任何 non-numeric 列）中出现潜在的 NA，您可以将其修改为 first(na.omit(.))。

您也可以尝试 data.table:

library(data.table)
setDT(iris)
iris[!is.na(Species) & !is.na(year), lapply(.SD, function(x) {
     if(is.numeric(x)) mean(x, na.rm = TRUE) else x[!is.na(x)][1L]}), 
     by = list(Species, year)]
#      Species year Sepal.Length Sepal.Width Petal.Length Petal.Width color
#1:     setosa 2000        5.025    3.479167       1.4625       0.250   red
#2:     setosa 3000        4.984    3.376000       1.4640       0.244   red
#3: versicolor 2000        6.012    2.776000       4.3120       1.344 green
#4: versicolor 3000        5.860    2.764000       4.2080       1.308 green
#5:  virginica 2000        6.576    2.928000       5.6400       2.044  blue
#6:  virginica 3000        6.600    3.020000       5.4640       2.008  blue

Answer 2

我试一试：

1。对于你提到的第一点，我会做类似以下的事情（第二点不是必需的）：

na.omit(iris[ , which(sapply(iris, class) == "numeric")])

要将列分隔为 numeric 或 character，我使用以下内容：

iris[ , which(sapply(iris, class) == "numeric")]
iris[ , which(sapply(iris, class) == "character")]

2。第二个任务我将上面的行与 colMeans:

结合起来

colMeans(iris[ , which(sapply(iris, class) == "numeric")], na.rm = TRUE)

3。要提取字符列的第一个元素，您可以简单地执行：

iris[1, which(sapply(iris, class) == "character")]

在提到的 iris 数据的情况下，第一行完全是 NA，甚至是字符列，所以我会迭代以找到 first-non-NA-row

k <- 1
while(any(is.na(FirstCharacterElement <- iris[k, which(sapply(iris, class) == "character")]))){
  k <- k + 1
}

注意 class 因素（在 iris 数据的情况下，它会破坏代码，其中列 Species 是 class 因素，您可能希望它是一个字符列。您可以使用 sapply(iris, class) 检查并使用例如

进行更改

iris$Species <- as.character(iris$Species) #or with similar column names

当您读入数据时，您可以提及函数 read.table、read.csv 或类似函数的参数 stringsAsFactors = FALSE。

R：汇总多列（数字，字符）并删除 NA

R: summarise multiple column (numeric, character) and remove NAs

r

dplyr

na.rm