r - 有条件地选择 dplyr 中特定比例的值为 NA 的列

Question

数据

我正在使用类似于 data.frame 的数据集生成如下:

set.seed(1)
dta <- data.frame(observation = 1:20,
                  valueA = runif(n = 20),
                  valueB = runif(n = 20),
                  valueC = runif(n = 20),
                  valueD = runif(n = 20))
dta[2:5,3] <- NA
dta[2:10,4] <- NA
dta[7:20,5] <- NA

列有 NA最后一列有超过 60% 的观察值 NAs .

> sapply(dta, function(x) {table(is.na(x))})
$observation

FALSE 
   20 

$valueA

FALSE 
   20 

$valueB

FALSE  TRUE 
   16     4 

$valueC

FALSE  TRUE 
   11     9 

$valueD

FALSE  TRUE 
    6    14 

问题

我希望能够删除 dplyr 中的此列管道以某种方式将它传递给 select论据。

尝试

这可以在 base 中轻松完成.例如选择小于 50% 的列 NAs我可以这样做:

dta[, colSums(is.na(dta)) < nrow(dta) / 2]

它产生:

> head(dta[, colSums(is.na(dta)) < nrow(dta) / 2], 2)
  observation    valueA    valueB    valueC
1           1 0.2655087 0.9347052 0.8209463
2           2 0.3721239        NA        NA

任务

我有兴趣在 dplyr 中实现相同的灵活性管线:

Vectorize(require)(package = c("dplyr",         # Data manipulation
                               "magrittr"),     # Reverse pipe

char = TRUE)

dta %<>%
  # Some transformations I'm doing on the data
  mutate_each(funs(as.numeric)) %>% 
  # I want my select to take place here

Answer 1

大概是这个样子？

dta %>% select(which(colMeans(is.na(.)) < 0.5)) %>% head
#  observation    valueA    valueB    valueC
#1           1 0.2655087 0.9347052 0.8209463
#2           2 0.3721239        NA        NA
#3           3 0.5728534        NA        NA
#4           4 0.9082078        NA        NA
#5           5 0.2016819        NA        NA
#6           6 0.8983897 0.3861141        NA

更新 与 colMeans而不是 colSums这意味着您不再需要除以行数。

而且，只是为了记录，在基础 R 中你也可以使用 colMeans :

dta[,colMeans(is.na(dta)) < 0.5]