Установите определенные значения в NA с помощью dplyr

Ответ 1

Вы можете использовать replace, который немного быстрее, чем ifelse:

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

Вы можете немного ускорить его, указав индекс replace с помощью which:

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

На моей машине это сокращает время до третьего, см. ниже.

Здесь немного сравнения разных ответов, что только указывает, конечно:

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 

(Я использую dplyr_0.3.0.2 и data.table_1.9.4)

Поскольку мы всегда очень заинтересованы в бенчмаркинге, особенно в ходе дискуссий data.table-vs-dplyr, я предоставляю еще один тест из 3 ответов с использованием микрообъектива и данных akrun. Обратите внимание, что я модифицировал dplyr1 как обновленную версию моего ответа:

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

Ответ 2

Вы можете использовать функцию is.na<-:

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

Или вы можете использовать математические операторы:

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

Ответ 3

Если вы используете data.table, код ниже быстрее

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

Бенчмарки

Используя data.table_1.9.5 и 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

Обновленные тесты

Использование data.table_1.9.5 и dplyr_0.4.0. Я использовал немного больший набор данных и заменил as.data.table на setDT (включил функцию @Sven Hohenstein более быструю функцию).

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 

Обновленные тесты2

По просьбе @docendo discimus, снова сравнивая свою "новую" версию dplyr с помощью data.table_1.9.5 и dplyr_0.4.0.

ПРИМЕЧАНИЕ. Поскольку в коде discdus @docendo есть изменение, я изменил 0 на 0L для 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

данные

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

Ответ 4

Наиболее естественный подход в dplyr - использовать функцию na_if.

Для одной переменной:

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

Для всех переменных:

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

Если вы заинтересованы в замене определенного значения вместо диапазона для всех переменных:

dat %<>% mutate_all(na_if, 0)

Обратите внимание, что я использую оператор %<>% из пакета magrittr.