hacer - ignorar NA en suma de filas dplyr

summarise count r

Question

¿Hay una manera elegante de manejar NA como 0 (na.rm = TRUE) en dplyr?

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

incluso si sé que este no es el resultado deseado en muchos otros casos

Answer 1

Aquí hay un enfoque similar al de Steven, pero incluye dplyr::select() para indicar explícitamente qué columnas incluir / ignorar (como las variables de ID).

data %>%
mutate(sum = rowSums(dplyr::select(., a, b, c), na.rm = TRUE))

Tiene un rendimiento comparable con un conjunto de datos de tamaño realista. Sin embargo, no estoy seguro de por qué, ya que en este ejemplo flaco no se excluyen columnas.

Conjunto de datos más grande de 1M filas:

pick <- function() { sample(c(1:5, NA), 1000000, replace=T) }
data <- data.frame(a=pick(), b=pick(), c=pick())

Resultados:

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 

Answer 2

O podemos replace NA con 0 y luego usar el código del OP

data %>%
mutate_each(funs(replace(., which(is.na(.)), 0))) %>%
mutate(Sum= a+b+c)
#or as @Frank mentioned
#mutate(Sum = Reduce(`+`, .))

Según los puntos de referencia que utilizan los datos de @Steven Beaupré, también parece ser eficiente.

Answer 3

Otra opción:

data %>%
mutate(sum = rowSums(., na.rm = TRUE))

Punto de referencia

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 

Answer 4

Podrías usar esto:

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))

Salida:

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

Answer 5

Prueba esto

data$sum <- apply(data, 1, sum, na.rm = T)

Los data resultantes son

a b c sum
1 1 4 7 12
2 2 NA 8 10
3 3 5 9 17
4 4 6 NA 10