如何用R编写通用脚本统计多数据集的缺失值（NA/999/0）

需求回顾 #

需要编写可复用的脚本，自动统计数据集中以NA、999、0形式存在的缺失值，无需手动指定列名，适配多数据集和大规模数据。

基于tidyverse的实现方案 #

利用dplyr和tidyr的向量化操作，封装成通用函数，自动识别数值型列并统计：

library(dplyr)
library(tidyr)

# 定义通用缺失值统计函数
count_missing <- function(data, missing_values = c(NA, 999, 0)) {
  # 自动筛选数据集中的数值型列
  num_cols <- select(data, where(is.numeric))
  
  # 逐个统计每种缺失值标记的列计数
  result_list <- lapply(missing_values, function(val) {
    if (is.na(val)) {
      num_cols %>% summarise(across(everything(), ~sum(is.na(.))))
    } else {
      num_cols %>% summarise(across(everything(), ~sum(. == val, na.rm = TRUE)))
    }
  })
  
  # 合并结果并整理成行名格式
  bind_rows(result_list) %>%
    mutate(missing_type = ifelse(is.na(missing_values), "NA", as.character(missing_values))) %>%
    column_to_rownames("missing_type")
}

# 示例数据集测试
df <- read.table(text="Subject, var1, var2, var3, var4
A, 1, NA, 3, 999 
B, 0, 5, 2, 1 
C, 7, 6, NA, 7 
D, NA, 1, 0, 2 
E, NA, NA, NA, NA
F, 3, 4, 999, 4 
G, 4, NA, 1, 5 
H, 7, 0, 7, 999", header=TRUE, sep=",")

# 调用函数得到结果
count_missing(df)

函数特性 #

• 自动识别数值型列，无需手动指定列索引或列名，适配不同结构的数据集
• 支持自定义缺失值标记，修改missing_values参数即可扩展其他标记（如-99）
• 输出格式完全匹配需求，行对应缺失类型，列对应数值列

基础R实现方案 #

如果不想加载tidyverse包，可使用基础R实现同样功能：

# 定义基础R版本的统计函数
count_missing_base <- function(data, missing_values = c(NA, 999, 0)) {
  # 筛选数值型列
  num_cols <- data[sapply(data, is.numeric)]
  # 初始化结果矩阵
  result_mat <- matrix(nrow = length(missing_values), ncol = ncol(num_cols))
  rownames(result_mat) <- ifelse(is.na(missing_values), "NA", as.character(missing_values))
  colnames(result_mat) <- colnames(num_cols)
  
  # 循环统计每种缺失值
  for (i in seq_along(missing_values)) {
    val <- missing_values[i]
    if (is.na(val)) {
      result_mat[i, ] <- colSums(is.na(num_cols))
    } else {
      result_mat[i, ] <- colSums(num_cols == val, na.rm = TRUE)
    }
  }
  # 转换为数据框输出
  as.data.frame(result_mat)
}

# 调用测试
count_missing_base(df)

使用说明 #

对于任意数据集，只需调用count_missing(your_data)或count_missing_base(your_data)即可快速得到统计结果，无需重复编写统计逻辑。

内容的提问来源于stack exchange，提问作者Paigan