识别向量中的 NA 集

Question

假设我有一个向量 x:

x <- c(NA, NA, 1, 2, NA, NA, 3, 4)

如何识别此向量中的 NA 集，即

na_set <- c(1, 1, 0, 0, 2, 2, 0, 0)

我的最终目标是使用 dplyr 将其与数据框上的管道一起使用。所以，如果有兼容dplyr的功能就更好了。

谢谢！

Answer 1

你可以取is.na(x)的diff。这将是 1 IFF 元素是 TRUE 而前一个元素是 FALSE。在应用 == 1 之后，您有一个逻辑向量，它是 TRUE for NA-group starts。然后你可以用 cumsum 来确定你在哪个 NA 组，然后乘以 is.na(x) 将非 NA 设置为 0 .

cumsum(diff(is.na(c(1, x))) == 1)*is.na(x)
#[1] 1 1 0 0 2 2 0 0

显示的中间结果：

a <- is.na(c(1, x))
a
#[1] FALSE  TRUE  TRUE FALSE FALSE  TRUE  TRUE FALSE FALSE
b <- diff(a) == 1
b
#[1]  TRUE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE
d <- cumsum(b)
d
#[1] 1 1 1 1 2 2 2 2

我很感兴趣，所以我做了一个基准测试。我认为结果实际上并不重要，即使 length(x) of 1e7.

的差异也以毫秒为单位

x <- c(NA,NA, 1,2,NA,NA, 3,4)
x <- sample(x, 1e7, T)

f_rleid <- function(x){
  nax <- is.na(x)
  r <- rleid(x)*nax
  r[nax] <- rleid(r[nax])
  r
}

f_rle <- function(x){
  r <- rle(is.na(x))
  r$values <- cumsum(r$values) * r$values
  inverse.rle(r)
}

f_diffna <- function(x){
  nax <- is.na(x)
  cumsum(c(as.integer(nax[1]), diff(nax)) == 1L)*nax
}

all.equal(f_rleid(x), f_rle(x))
# [1] TRUE
all.equal(f_rleid(x), f_diffna(x))
# [1] TRUE

microbenchmark::microbenchmark(f_rleid(x), f_rle(x),f_diffna(x))

# Unit: milliseconds
#         expr      min       lq     mean   median       uq      max neval
#   f_rleid(x) 421.9483 437.3314 469.3564 446.5081 511.9315 582.5812   100
#     f_rle(x) 451.3790 519.5278 560.8057 572.4148 591.7632 697.2100   100
#  f_diffna(x) 248.3631 267.5462 315.6224 291.5910 362.8829 459.6873   100

Answer 2

计算 is.na(x) 的运行长度编码，并用序列号或 0 替换值。然后反转回来。

r <- rle(is.na(x))
r$values <- cumsum(r$values) * r$values
inverse.rle(r)
## [1] 1 1 0 0 2 2 0 0

Answer 3

如果集合的确切排名不是问题，您可以使用 data.table:

中方便的 rleid() 函数

rleid(x) * is.na(x)

[1] 1 1 0 0 4 4 0 0

速度对比：

library(microbenchmark)

x <- rep(x, 1e5)
microbenchmark(
 IceCreamToucan = cumsum(diff(is.na(c(1, x))) == 1)*is.na(x),
 tmfmnk = rleid(x) * is.na(x),
 G._Grothendieck = {r <- rle(is.na(x))
 r$values <- cumsum(r$values) * r$values
 inverse.rle(r)},
 times = 5
)

Unit: milliseconds
            expr       min       lq     mean   median       uq      max neval cld
  IceCreamToucan 48.607317 52.49508 66.64196 74.63182 76.81896 80.65662     5   b
          tmfmnk  9.952486 12.58168 20.22834 14.38625 16.23961 47.98166     5  a 
 G._Grothendieck 53.533149 57.48818 59.12514 59.73295 62.14772 62.72371     5   b

识别向量中的 NA 集

Identify sets of NA in a vector

r

na