Olá,
Estou trabalhando com um data frame grande - 1000 variáveis e 60 mil linhas - e preciso calcular a porcentagem de NA e de espaços em branco para cada uma das variáveis separadamente.
Qual a melhor maneira de fazer isso no R?
Stack Overflow em Português é um site de perguntas e respostas para programadores profissionais e entusiastas. Leva apenas um minuto para se inscrever.
Inscreva-se para participar desta comunidadePara contar NA
por colunas pode-se usar a função colSums()
:
# total de linhas
n = nrow(df)
# porcentagem de NA por coluna
round(colSums(is.na(df))*100/n, 2)
Ou também pode-se usar a função apply()
:
# função para contar NA's
sum_NA <- function(dados){
sum(is.na(dados))
}
# total de linhas
n = nrow(df)
# aplicando a função em cada coluna
round(apply(df, 2, sum_NA)*100/n, 2)
colMeans(is.na(df))
. (Para porcentagem deveria multiplicar por 100.)
9/09/2018 às 11:03
Bom vamos lá, uma das maneiras de se fazer é criar um loop e pegar coluna por coluna do seu data frame.
criei um data frame pra exemplificar
df <- data.frame(A=c(NA,2,'',1),B=c('',4,4,2),C=c(5,'','',''),D=c(7,7,5,4),E=c('','',NA,NA),F=c(9,9,0,6))
Repara que em alguns deles tem valores em branco e NA...
for (i in 1:ncol(df)){
print(sum(is.na(df[,c(i)] ) | df[,c(i)] == "" )/length(df[,c(i)]) * 100)
}
Esse é um loop que anda em cada coluna e calcula a porcentagem que você precisa, baseado no meu data frame esse for
vai imprimir os seguintes resultados:
[1] 50
[1] 25
[1] 75
[1] 0
[1] 100
[1] 0
quer algo mais simples e que talvez seja mais rápido ? experimente:
print(colMeans(is.na(df) | df == "")*100)
Isso dá a seguinte saída:
A B C D E F
50 25 75 0 100 0
Olha lá is.na
é uma função do R
que encontra todos os NA's
fiz um ou(|)
para encontrar todos os vazios ==""
, eu acho que essa ultima opção seja mais rápida, pois só usa funções compiladas de maneira nativa do R