识别向量中的NA集

Question

假设我有一个矢量x：

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

如何识别此向量中的NA集合，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，如果有一个与dplyr兼容的功能，那就更好了。

谢谢！

Answer 1

计算is.na（x）的行程编码，并用序列号或0替换值。然后反转。

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 2

你可以参加diff的is.na(x)。这将是1 IFF元素是TRUE，前面的元素是FALSE。应用== 1之后，你有一个逻辑向量，它是TRUE-group开始的NA。然后你可以拿cumsum来识别你所在的NA组，并乘以is.na(x)将ne-NAs设置为0。

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

中间结果显示：

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。我不认为结果实际上很重要，即使对于length(x)的1e7，差异也是毫秒。

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 3

如果集合的确切等级不是问题，您可以使用rleid()中方便的data.table函数：

rleid(x) * is.na(x)

[1] 1 1 0 0 4 4 0 0

为了比较速度：

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