R recipes step_naomit 刪除缺失值的觀測值

step_naomit() 創建配方步驟的規範，如果觀察值(數據行)包含NA 或NaN 值，則該步驟將被刪除。

用法

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

參數

recipe: 一個菜譜對象。該步驟將添加到此配方的操作序列中。
...: 一個或多個選擇器函數用於為此步驟選擇變量。有關更多詳細信息，請參閱selections()。
role: 未使用，包含在內是為了與其他步驟保持一致。
trained: 指示預處理數量是否已估計的邏輯。為了保持一致性再次包含在內。
columns: 所選變量名稱的字符串。該字段是一個占位符，一旦使用 prep() 就會被填充。
skip: 一個合乎邏輯的。當bake() 烘焙食譜時是否應該跳過此步驟？雖然所有操作都是在 prep() 運行時烘焙的，但某些操作可能無法對新數據進行(例如處理結果變量)。使用 skip = FALSE 時應小心。
id: 該步驟特有的字符串，用於標識它。

值

recipe 的更新版本，將新步驟添加到任何現有操作的序列中。

行過濾

此步驟可以完全刪除觀察結果(數據行)，當稍後通過 bake() 將步驟應用於新數據時，這可能會產生意想不到的和/或有問題的後果。在任何給定的用例中，考慮 skip = TRUE 還是 skip = FALSE 更合適。在影響預測數據行的大多數情況下，可能根本不應該應用此步驟；相反，在開始預處理之前執行類似的操作 recipe() 。

箱重

底層操作不允許使用案例權重。

也可以看看

其他行操作步驟：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

源代碼：R/naomit.R

相關用法

注：本文由純淨天空篩選整理自Max Kuhn等大神的英文原創作品 Remove observations with missing values。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。