全NA行rowSums返回0如何修正？contains选列是否正确？

问题背景 #

现有如下R数据集：

df <- data.frame(var1=c(NA, 3, 3, 4, 0),
                 var2=c(NA, 2, 5, 3, NA),
                 var3=c(NA, 3, 6, 6, NA),
                 var4=c(NA, 1, 2, 14, NA))

执行以下代码计算每行的和：

df %>% mutate(sumVar = select(., contains("var")) %>% rowSums(,na.rm=T)) 

得到结果中，全为NA的第一行求和结果为0，需要修正为NA；同时疑问：真实数据集有500列，需选择以"var"开头的列，使用contains()是否正确？

解决方案 #

1. 修正全NA行求和结果为NA #

可以通过判断每行是否全部为NA，再决定返回求和结果还是NA，用dplyr有两种简洁实现方式：

方式一：结合rowSums和ifelse判断每行NA数量是否等于所选列总数：

df %>%
  mutate(
    temp = select(., starts_with("var")),
    sumVar = ifelse(rowSums(is.na(temp)) == ncol(temp), 
                    NA, 
                    rowSums(temp, na.rm = TRUE))
  ) %>%
  select(-temp)

方式二：直接替换全NA行的求和结果：

df %>%
  mutate(
    sumVar = rowSums(select(., starts_with("var")), na.rm = TRUE),
    sumVar = replace(sumVar, rowSums(is.na(select(., starts_with("var")))) == ncol(select(., starts_with("var"))), NA)
  )

两种方式都会得到正确结果：

var1 var2 var3 var4 sumVar
1   NA   NA   NA   NA     NA
2    3    2    3    1      9
3    3    5    6    2     16
4    4    3    6   14     27
5    0   NA   NA   NA      0

2. 列选择函数的正确性 #

contains("var")会匹配任何包含"var"字符串的列名，比如abcvar、xvarx这类列都会被选中，容易误选无关列。

如果你需要的是以"var"开头的列，应该使用starts_with("var")，这个函数仅匹配列名以"var"开头的列，更精准，适合你有500列的大数据集。

内容的提问来源于stack exchange，提问作者newfinder