在R中移除指定列（a1-a4）缺失值占比超50%的行

原始数据 #

data <- data.frame(id=c(1,2,3,4,5),
                   ethnicity=c("asian",NA,NA,NA,"asian"),
                   age=c(34,NA,NA,NA,65),
                   a1=c(3,4,5,2,7),
                   a2=c("y","y","y",NA,NA),
                   a3=c("low", NA, "high", "med", NA),
                   a4=c("green", NA, "blue", "orange", NA))

数据预览：

id ethnicity age a1   a2   a3     a4
1  1     asian  34  3    y  low  green
2  2      <NA>  NA  4    y <NA>   <NA>
3  3      <NA>  NA  5    y high   blue
4  4      <NA>  NA  2 <NA>  med orange
5  5     asian  65  7 <NA> <NA>   <NA>

需求说明 #

仅针对a1至a4列，移除这四列中缺失值占比超过50%的行（即每行在这四列里缺失值≥2个的行需要被移除）。

问题分析 #

你之前的代码存在两个核心问题：

1. 第一个方法rowMeans(!is.na(data))计算的是所有列的非缺失值比例，没有限定到目标列；
2. 第二个循环逻辑错误：length(which(is.na(data[4:7,])))是统计整个目标列的总缺失数，而非每行的缺失数，且判断条件用了整个数据集的列数ncol(data)，应该用目标列的数量（4）。

正确解法 #

方法1：基础R向量化操作（简洁高效）

直接定位到a1-a4列，计算每行的非缺失值占比，筛选符合条件的行：

# 计算目标列每行的非缺失值占比
keep_rows <- rowMeans(!is.na(data[, c("a1", "a2", "a3", "a4")])) > 0.5
# 筛选保留行
data_clean <- data[keep_rows, ]

方法2：修正循环逻辑

如果偏好循环写法，调整逻辑为逐行统计目标列的缺失值数量：

miss2 <- c()
target_cols <- 4:7 # a1到a4的列索引
n_target <- length(target_cols) # 目标列总数为4

for(i in 1:nrow(data)) {
  # 统计当前行目标列的缺失值数量
  na_count <- sum(is.na(data[i, target_cols]))
  # 缺失值占比超过50%则标记该行
  if(na_count >= 0.5 * n_target) {
    miss2 <- append(miss2, i)
  }
}

data_clean <- data[-miss2, ]

最终输出 #

id ethnicity age a1   a2   a3     a4
1  1     asian  34  3    y  low  green
2  2      <NA>  NA  4    y <NA>   <NA>
3  3      <NA>  NA  5    y high   blue
4  4      <NA>  NA  2 <NA>  med orange

内容的提问来源于stack exchange，提问作者T K