使用 dplyr 将某些值设置为 NA

Question

我想找出一种简单的方法来用 dplyr 做这样的事情（数据集 = dat，变量 = x）：

day$x[dat$x<0]=NA

应该很简单，但这是我目前能做的最好的。有没有更简单的方法？

dat =  dat %>% mutate(x=ifelse(x<0,NA,x))

Answer 1

您可以使用 replace，它比 ifelse 快一点：

dat <-  dat %>% mutate(x = replace(x, x<0, NA))

您可以使用 which:

为 replace 提供索引来加快速度

dat <- dat %>% mutate(x = replace(x, which(x<0L), NA))

在我的机器上，这将时间缩短为三分之一，见下文。

这里是对不同答案的一些比较，当然这只是指示性的：

set.seed(24)
dat <- data.frame(x=rnorm(1e6))
system.time(dat %>% mutate(x = replace(x, x<0, NA)))
       User      System     elapsed
       0.03        0.00        0.03 
system.time(dat %>% mutate(x=ifelse(x<0,NA,x)))
       User      System     elapsed
       0.30        0.00        0.29 
system.time(setDT(dat)[x<0,x:=NA])
       User      System     elapsed
       0.01        0.00        0.02 
system.time(dat$x[dat$x<0] <- NA)
       User      System     elapsed
       0.03        0.00        0.03 
system.time(dat %>% mutate(x = "is.na<-"(x, x < 0)))
       User      System     elapsed
       0.05        0.00        0.05 
system.time(dat %>% mutate(x = NA ^ (x < 0) * x))
       User      System     elapsed
       0.01        0.00        0.02 
system.time(dat %>% mutate(x = replace(x, which(x<0), NA)))
       User      System     elapsed
       0.01        0.00        0.01

（我正在使用 dplyr_0.3.0.2 和 data.table_1.9.4）

由于我们一直对基准测试非常感兴趣，尤其是在 data.table-vs-dplyr 讨论过程中，我使用 microbenchmark 和 akrun 的数据提供了 3 个答案的另一个基准。请注意，我将 dplyr1 修改为我的答案的更新版本：

set.seed(285)
dat1 <- dat <- data.frame(x=sample(-5:5, 1e8, replace=TRUE), y=rnorm(1e8))
dtbl1 <- function() {setDT(dat)[x<0,x:=NA]}
dplr1 <- function() {dat1 %>% mutate(x = replace(x, which(x<0L), NA))}
dplr2 <- function() {dat1 %>% mutate(x = NA ^ (x < 0) * x)}
microbenchmark(dtbl1(), dplr1(), dplr2(), unit='relative', times=20L)
#Unit: relative
#    expr      min       lq   median       uq      max neval
# dtbl1() 1.091208 4.319863 4.194086 4.162326 4.252482    20
# dplr1() 1.000000 1.000000 1.000000 1.000000 1.000000    20
# dplr2() 6.251354 5.529948 5.344294 5.311595 5.190192    20

Answer 2

如果您使用 data.table，下面的代码会更快

library(data.table)
setDT(dat)[x<0,x:=NA]

基准

使用 data.table_1.9.5 和 dplyr_0.3.0.9000

library(microbenchmark)
set.seed(285)
dat <- data.frame(x=sample(-5:5, 1e7, replace=TRUE), y=rnorm(1e7))

dtbl1 <- function() {as.data.table(dat)[x<0,x:=NA]}
dplr1 <- function() {dat %>% mutate(x = replace(x, x<0, NA))}

microbenchmark(dtbl1(), dplr1(), unit='relative', times=20L)
#Unit: relative
#expr     min       lq     mean   median       uq      max neval cld
#dtbl1() 1.00000 1.000000 1.000000 1.000000 1.000000 1.000000    20  a 
#dplr1() 2.06654 2.064405 1.927762 1.795962 1.881821 1.885655    20   b

更新基准

使用 data.table_1.9.5 和 dplyr_0.4.0。我使用了一个稍大的数据集，并将 as.data.table 替换为 setDT（也包括@Sven Hohenstein 更快的函数。）

set.seed(285)
dat <- data.frame(x=sample(-5:5, 1e8, replace=TRUE), y=rnorm(1e8))
dat1 <- copy(dat)
dtbl1 <- function() {setDT(dat)[x<0,x:=NA]}
dplr1 <- function() {dat1 %>% mutate(x = replace(x, x<0, NA))}
dplr2 <- function() {dat1 %>% mutate(x = NA ^ (x < 0) * x)} 

microbenchmark(dtbl1(), dplr1(), dplr2(), unit='relative', times=20L)
#Unit: relative
#  expr      min       lq     mean   median       uq      max neval cld
#dtbl1() 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000    20  a 
#dplr1() 2.523945 2.542412 2.536255 2.579379 2.518336 2.486757    20   b
#dplr2() 1.139216 1.089992 1.088753 1.058653 1.093906 1.100690    20  a

更新基准2

应@docendo discimus 的要求，使用 data.table_1.9.5 和 dplyr_0.4.0 再次对他 "new" 版本的 dplyr 进行基准测试。

注意：因为@docendo discimus 代码发生了变化，我将 0 更改为 0L data.table`

set.seed(285)
dat <- data.frame(x=sample(-5:5, 1e8, replace=TRUE), y=rnorm(1e8))
dat1 <- copy(dat)
dtbl1 <- function() {setDT(dat)[x<0L, x:= NA]}
dplr1 <- function() {dat1 %>% mutate(x = replace(x, which(x<0L), NA))}
dplr2 <- function() {dat1 %>% mutate(x = NA ^ (x < 0) * x)} 

microbenchmark(dtbl1(), dplr1(), dplr2(), unit='relative', times=20L)
#Unit: relative
#expr      min       lq     mean   median       uq      max neval cld
#dtbl1() 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000    20 a  
#dplr1() 2.186055 2.183432 2.142293 2.222458 2.194450 1.442444    20  b 
#dplr2() 2.919854 2.925795 2.852528 2.942700 2.954657 1.904249    20   c

数据

set.seed(24)
dat <- data.frame(x=sample(-5:5, 25, replace=TRUE), y=rnorm(25))

Answer 3

您可以使用is.na<-函数：

dat %>% mutate(x = "is.na<-"(x, x < 0))

或者您可以使用数学运算符：

dat %>% mutate(x = NA ^ (x < 0) * x)

Answer 4

dplyr 中最自然的方法是使用 na_if 函数。

对于一个变量：

dat %<>% mutate(x = na_if(x, x < 0))

对于所有变量：

dat %<>% mutate_all(~ na_if(., . < 0))

如果有兴趣替换特定值而不是所有变量的范围：

dat %<>% mutate_all(na_if, 0)

请注意，我使用的是 magrittr 包中的 %<>% 运算符。

Answer 5

直接在 x 列上使用 replace 而不使用 mutate 也可以。

dat$x <- replace(dat$x, dat$x<0, NA)

使用 dplyr 将某些值设置为 NA

Set certain values to NA with dplyr

r

dplyr

基准

更新基准

更新基准2

数据