filtrar para casos completos en data.frame usando dplyr (eliminación de casos)

¿Es posible filtrar un data.frame para casos completos usando dplyr? complete.casescon una lista de todas las variables funciona, por supuesto. Pero eso es a) detallado cuando hay muchas variables yb) imposible cuando no se conocen los nombres de las variables (por ejemplo, en una función que procesa cualquier data.frame).

library(dplyr)
df = data.frame(
    x1 = c(1,2,3,NA),
    x2 = c(1,2,NA,5)
)

df %.%
  filter(complete.cases(x1,x2))

Prueba esto:

df %>% na.omit

o esto:

df %>% filter(complete.cases(.))

o esto:

library(tidyr)
df %>% drop_na

Si desea filtrar según la falta de una variable, use un condicional:

df %>% filter(!is.na(x1))

o

df %>% drop_na(x1)

Otras respuestas indican que una de las soluciones anteriores na.omites mucho más lenta, pero eso debe equilibrarse con el hecho de que devuelve índices de fila de las filas omitidas en el na.actionatributo, mientras que las otras soluciones anteriores no lo hacen.

str(df %>% na.omit)
## 'data.frame':   2 obs. of  2 variables:
##  $ x1: num  1 2
##  $ x2: num  1 2
##  - attr(*, "na.action")= 'omit' Named int  3 4
##    ..- attr(*, "names")= chr  "3" "4"

AÑADIDO Se actualizó para reflejar la última versión de dplyr y comentarios.

AÑADIDO Se actualizó para reflejar la última versión de tidyr y comentarios.

Esto funciona para mi:

df %>%
  filter(complete.cases(df))    

O un poco más general:

library(dplyr) # 0.4
df %>% filter(complete.cases(.))

Esto tendría la ventaja de que los datos podrían haberse modificado en la cadena antes de pasarlos al filtro.

Otro punto de referencia con más columnas:

set.seed(123)
x <- sample(1e5,1e5*26, replace = TRUE)
x[sample(seq_along(x), 1e3)] <- NA
df <- as.data.frame(matrix(x, ncol = 26))
library(microbenchmark)
microbenchmark(
  na.omit = {df %>% na.omit},
  filter.anonymous = {df %>% (function(x) filter(x, complete.cases(x)))},
  rowSums = {df %>% filter(rowSums(is.na(.)) == 0L)},
  filter = {df %>% filter(complete.cases(.))},
  times = 20L,
  unit = "relative")

#Unit: relative
#             expr       min        lq    median         uq       max neval
 #         na.omit 12.252048 11.248707 11.327005 11.0623422 12.823233    20
 #filter.anonymous  1.149305  1.022891  1.013779  0.9948659  4.668691    20
 #         rowSums  2.281002  2.377807  2.420615  2.3467519  5.223077    20
 #          filter  1.000000  1.000000  1.000000  1.0000000  1.000000    20

Aquí hay algunos resultados de referencia para la respuesta de Grothendieck. na.omit () toma 20 veces más tiempo que las otras dos soluciones. Creo que sería bueno si dplyr tuviera una función para esto, tal vez como parte del filtro.

library('rbenchmark')
library('dplyr')

n = 5e6
n.na = 100000
df = data.frame(
    x1 = sample(1:10, n, replace=TRUE),
    x2 = sample(1:10, n, replace=TRUE)
)
df$x1[sample(1:n, n.na)] = NA
df$x2[sample(1:n, n.na)] = NA


benchmark(
    df %>% filter(complete.cases(x1,x2)),
    df %>% na.omit(),
    df %>% (function(x) filter(x, complete.cases(x)))()
    , replications=50)

#                                                  test replications elapsed relative
# 3 df %.% (function(x) filter(x, complete.cases(x)))()           50   5.422    1.000
# 1               df %.% filter(complete.cases(x1, x2))           50   6.262    1.155
# 2                                    df %.% na.omit()           50 109.618   20.217

Esta es una función corta que le permite especificar columnas (básicamente todo lo que dplyr::selectpueda entender) que no deberían tener ningún valor NA (modelado a partir de pandas df.dropna () ):

drop_na <- function(data, ...){
    if (missing(...)){
        f = complete.cases(data)
    } else {
        f <- complete.cases(select_(data, .dots = lazyeval::lazy_dots(...)))
    }
    filter(data, f)
}

[ drop_na ahora es parte de tidyr : lo anterior se puede reemplazar por library("tidyr")]

Ejemplos:

library("dplyr")
df <- data.frame(a=c(1,2,3,4,NA), b=c(NA,1,2,3,4), ac=c(1,2,NA,3,4))
df %>% drop_na(a,b)
df %>% drop_na(starts_with("a"))
df %>% drop_na() # drops all rows with NAs

prueba esto

df[complete.cases(df),] #output to console

O incluso esto

df.complete <- df[complete.cases(df),] #assign to a new data.frame

Los comandos anteriores se encargan de verificar la integridad de todas las columnas (variable) en su data.frame.

Solo en aras de la integridad, dplyr::filterse puede evitar por completo, pero aún se puede componer cadenas simplemente usando magrittr:extract(un alias de [):

library(magrittr)
df = data.frame(
  x1 = c(1,2,3,NA),
  x2 = c(1,2,NA,5))

df %>%
  extract(complete.cases(.), )

La ventaja adicional es la velocidad, este es el método más rápido entre las variantes filtery na.omit(probado usando microbenchmarks @Miha Trošt).