9

ggpairs在包中似乎非常有用，但是当数据集中的任何地方存在GGally时，它似乎会失败：NA

#require(GGally)
data(tips, package="reshape")
pm <- ggpairs(tips[,1:3]) #works just fine

#introduce NA
tips[1,1] <- NA
ggpairs(tips[,1:3])
> Error in if (lims[1] > lims[2]) { : missing value where TRUE/FALSE needed

我没有看到任何处理NA值的文档，并且ggpairs(tips[,1:3], na.rm=TRUE)（不出所料）之类的解决方案不会更改错误消息。

我有一个数据集，其中可能有 10% 的值NA随机分布在整个数据集中。因此na.omit(myDataSet)将删除大部分数据。有没有办法解决？

4

4 回答 4

3

一些GGally类似的功能支持通过参数ggparcoord()处理 NA 。然而，不幸missing=[exclude,mean,median,min10,random]的是，情况并非如此。ggpairs()

您可以做的是用对您期望的数据的良好估计来替换 NA，这些数据ggpair()会自动为您完成。有很好的解决方案，比如用row mean、zeros、median甚至最接近的点替换它们（注意最近句子单词上的 4 超链接！）。

于 2012-10-27T01:02:02.780 回答
1

据我所知，ggpairs() 无法解决这个问题。此外，您不填写“假”数据是绝对正确的。如果在这里建议合适，我会建议使用不同的绘图方法。例如

 cor.data<- cor(data,use="pairwise.complete.obs") #data correlations ignoring pair-wise NA's
 chart.Correlation(cor.data) #library(PerformanceAnalytics)

或使用此处的代码http://hlplab.wordpress.com/2012/03/20/correlation-plot-matrices-using-the-ellipse-library/

于 2014-07-01T18:03:05.483 回答
1

我会用我自己可怕的解决方法来尝试它，因为我认为这需要刺激。我同意 OP 的观点，即基于统计假设或选择的 hack 填充数据对于探索性分析来说是一个糟糕的主意，我认为一旦你忘记它是如何工作的（对我来说大约五天）并且需要调整，它肯定会失败它是为了别的东西。

免责声明

这是一种糟糕的做事方式，我讨厌它。当您有来自高维数据集的稀疏采样（可能是 OP 有）的系统性 NA 来源时，它很有用。

例子

假设您有一些非常大的数据集的一小部分，使您的一些列稀疏表示：

|  Sample (0:350)|  Channel(1:118)|  Trial(1:10)|     Voltage|Class  (1:2)|  Subject (1:3)|
|---------------:|---------------:|------------:|-----------:|:-----------|--------------:|
|               1|               1|            1|  0.17142245|1           |              1|
|               2|               2|            2|  0.27733185|2           |              2|
|               3|               1|            3|  0.33203066|1           |              3|
|               4|               2|            1|  0.09483775|2           |              1|
|               5|               1|            2|  0.79609409|1           |              2|
|               6|               2|            3|  0.85227987|2           |              3|
|               7|               1|            1|  0.52804960|1           |              1|
|               8|               2|            2|  0.50156096|2           |              2|
|               9|               1|            3|  0.30680522|1           |              3|
|              10|               2|            1|  0.11250801|2           |              1|

require(data.table) # needs the latest rForge version of data.table for dcast
sample.table <- data.table(Sample = seq_len(10), Channel = rep(1:2,length.out=10),
                           Trial = rep(1:3, length.out=10), Voltage = runif(10), 
                           Class = as.factor(rep(1:2,length.out=10)),
                           Subject = rep(1:3, length.out=10))

这个例子很糟糕，但假装这些列是从它们更大的子集中统一采样的。

假设您想将数据沿所有通道转换为宽格式以使用ggpairs. 现在，对于一列或其他情况，规范的dcast回归宽格式将不起作用id，因为列范围是稀疏（并且永远不会完全）表示的：

wide.table <- dcast.data.table(sample.table, Sample ~ Channel,
                                   value.var="Voltage",
                                   drop=TRUE)

> wide.table
        Sample         1          2
     1:      1 0.1714224         NA
     2:      2        NA 0.27733185
     3:      3 0.3320307         NA
     4:      4        NA 0.09483775
     5:      5 0.7960941         NA
     6:      6        NA 0.85227987
     7:      7 0.5280496         NA
     8:      8        NA 0.50156096
     9:      9 0.3068052         NA
    10:     10        NA 0.11250801

在这种情况下，很明显哪个列会起作用id，因为它是一个玩具示例sample.table[,index:=seq_len(nrow(sample.table)/2)]（id当应用于公式参数时。这个kludge将起作用：

setkey(sample.table,Class)

最后我们需要这个来确保顺序是固定的。

chan.split <- split(sample.table,sample.table$Channel)

这将为您提供每个唯一频道的 data.frames 列表。

cut.fringes <- min(sapply(chan.split,function(x) nrow(x)))
chan.dt <- cbind(lapply(chan.split, function(x){
  x[1:cut.fringes,]$Voltage}))

必须有更好的方法来确保每个 data.frame 具有相同数量的行，但是对于我的应用程序，我可以保证它们只有几行不同，所以我只是修剪掉多余的行。

chan.dt <- as.data.table(matrix(unlist(chan.dt),
                 ncol = length(unique(sample.table$Channel)), 
                 byrow=TRUE))

这将使您回到一个大数据表，其中以 Channels 作为列。

chan.dt[,Class:=
         as.factor(rep(0:1,each=sampling.factor/2*nrow(original.table)/ncol(chan.dt))[1:cut.fringes])]

最后，我重新绑定了我的分类变量。这些表应该已经按类别排序，所以这将匹配。这假设您拥有包含所有数据的原始表；还有其他方法可以做到这一点。

ggpairs(data=chan.dt,
        columns=1:length(unique(sample.table$Channel)), colour="Class",axisLabels="show")

现在它可以用上面的方法绘制了。

于 2014-01-20T10:42:29.443 回答
1

我看到这是一个旧帖子。最近我遇到了同样的问题，但在网上还是找不到解决办法。所以我在 FYI 下面提供了我的解决方法。

我认为目的是使用成对的完整观察进行绘图（即以特定于ggpairs网格图的每个面板/方面的方式），而不是对所有变量使用完整的观察。前者将最大程度地保留“可用”的观察结果，而不会通过估算缺失值来引入“人工”数据。到目前为止，似乎ggpairs仍然不支持这一点。我的解决方法是：

  1. NA使用数据中不存在的另一个值进行编码，例如对于数值变量，我将NA's 替换-666为我的数据集。对于每个数据集，您始终可以选择超出其数据值范围的内容。顺便说一句，这似乎Inf不起作用；
  2. 然后使用用户创建的绘图函数检索成对的完整案例。例如，对于下三角形中连续变量的散点图，我会执行以下操作：
scat.my <- function(data, mapping, ...) {
  x <- as.character(unclass(mapping$x))[2] # my way of parsing the x variable name from `mapping`; there may be a better way
  y <- as.character(unclass(mapping$y))[2] # my way of parsing the y variable name from `mapping`; there may be a better way
  dat <- data.table(x=data[[x]], y=data[[y]])[x!=-666 & y!=-666] # I use the `data.table` package; assuming NA values have been replaced with -666
  ggplot(dat, aes(x=x, y=y)) +
    geom_point()
}

ggpairs(my.data, lower=list(continuous=scat.my), ...)

这可以类似地对上三角形和对角线进行。这有点费力，因为所有的绘图功能都需要通过上面的自定义修改手动重新完成。但它确实奏效了。

于 2021-12-23T09:43:51.357 回答