R recipes step_naomit 删除缺失值的观测值

step_naomit() 创建配方步骤的规范，如果观察值(数据行)包含NA 或NaN 值，则该步骤将被删除。

用法

step_naomit(
  recipe,
  ...,
  role = NA,
  trained = FALSE,
  columns = NULL,
  skip = TRUE,
  id = rand_id("naomit")
)

参数

recipe: 一个菜谱对象。该步骤将添加到此配方的操作序列中。
...: 一个或多个选择器函数用于为此步骤选择变量。有关更多详细信息，请参阅selections()。
role: 未使用，包含在内是为了与其他步骤保持一致。
trained: 指示预处理数量是否已估计的逻辑。为了保持一致性再次包含在内。
columns: 所选变量名称的字符串。该字段是一个占位符，一旦使用 prep() 就会被填充。
skip: 一个合乎逻辑的。当bake() 烘焙食谱时是否应该跳过此步骤？虽然所有操作都是在 prep() 运行时烘焙的，但某些操作可能无法对新数据进行(例如处理结果变量)。使用 skip = FALSE 时应小心。
id: 该步骤特有的字符串，用于标识它。

值

recipe 的更新版本，将新步骤添加到任何现有操作的序列中。

行过滤

此步骤可以完全删除观察结果(数据行)，当稍后通过 bake() 将步骤应用于新数据时，这可能会产生意想不到的和/或有问题的后果。在任何给定的用例中，考虑 skip = TRUE 还是 skip = FALSE 更合适。在影响预测数据行的大多数情况下，可能根本不应该应用此步骤；相反，在开始预处理之前执行类似的操作 recipe() 。

箱重

底层操作不允许使用案例权重。

也可以看看

其他行操作步骤：step_arrange()、step_filter()、step_impute_roll()、step_lag()、step_sample()、step_shuffle()、step_slice()

例子


recipe(Ozone ~ ., data = airquality) %>%
  step_naomit(Solar.R) %>%
  prep(airquality, verbose = FALSE) %>%
  bake(new_data = NULL)
#> # A tibble: 146 × 6
#>    Solar.R  Wind  Temp Month   Day Ozone
#>      <int> <dbl> <int> <int> <int> <int>
#>  1     190   7.4    67     5     1    41
#>  2     118   8      72     5     2    36
#>  3     149  12.6    74     5     3    12
#>  4     313  11.5    62     5     4    18
#>  5     299   8.6    65     5     7    23
#>  6      99  13.8    59     5     8    19
#>  7      19  20.1    61     5     9     8
#>  8     194   8.6    69     5    10    NA
#>  9     256   9.7    69     5    12    16
#> 10     290   9.2    66     5    13    11
#> # ℹ 136 more rows

源代码：R/naomit.R

相关用法

注：本文由纯净天空筛选整理自Max Kuhn等大神的英文原创作品 Remove observations with missing values。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。