Nano Hash - криптовалюты, майнинг, программирование

Брошюра для R: работа с пропущенными значениями

Я новичок в Leaflet, и мне интересно, как он справляется с пропущенными значениями. Предположим, у меня есть фрейм данных со многими столбцами, содержащими координаты и другие атрибуты. В идеале, если функция addCircleMarkers обнаружит отсутствующее значение широты или долготы, она пропустит его и не нанесет координаты этой строки. Однако то, с чем я столкнулся, это то, что если есть одно отсутствующее значение широты/долготы, точки вообще не будут нарисованы.

Я могу представить, как просматриваю свои данные строку за строкой и проверяю наличие каких-либо NA, и рисую график только в том случае, если их нет. Но мне кажется, что в Leaflet есть встроенный способ справиться с этим. Кто-нибудь знает?

редактировать: поскольку кто-то спросил, вот мой код для добавления маркеров (с использованием оператора magrittr %>%):

addCircleMarkers(~lon, ~lat, stroke=F,
      fillOpacity = .6, color = coloring(), radius=radii) %>%
r leaflet na
31.07.2015

  • Не могли бы вы привести пример того, как вы используете addCircleMarkers? Моей рефлекторной реакцией было бы просто предоставить подмножество ваших данных с помощью subset() и удалить строки с NA, но я не уверен, что это применимо к тому, как вы используете функции Leaflet. 01.08.2015
  • Я понимаю вопрос, но вы могли бы быстро сделать это с помощью df[complete.cases(df), ] 01.08.2015
  • @ScottChamberlain Это прекрасно работает, за исключением случаев, когда у меня есть другие строки со значениями NA. Есть ли способ удалить только строки с отсутствующей широтой/долготой, используя complete.cases? 01.08.2015

Ответы:


1

Вы можете сделать что-то вроде, чтобы проверить как лат, так и длинные столбцы

(df <- data.frame(a = c(1, NA, 4, NA), b = c(1, 2, 3, 5)))

   a b
1  1 1
2 NA 2
3  4 3
4 NA 5

bools <- apply(cbind(complete.cases(df$a), complete.cases(df$b)), 1, all)
df[bools, ]

  a b
1 1 1
3 4 3
31.07.2015
  • Замечательно! Я сделал это, а затем сохранил результат обратно в df и использовал его на протяжении всего сопоставления (когда я делаю начальную карту и все последующие leafletProxy). Спасибо! 01.08.2015
  • здорово. К вашему сведению, они знают об этой проблеме и, возможно, скоро ее исправят github.com/rstudio/leaflet/issues/71. Leaflet.js не любит отсутствующие данные, но может удалить их на стороне R. 01.08.2015
    • Новые материалы
    Кластеризация: более глубокий взгляд
    Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
    Как написать эффективное резюме
    Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
    Частный метод Python: улучшение инкапсуляции и безопасности
    Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
    Как я автоматизирую тестирование с помощью Jest
    Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
    Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
    Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
    Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
    В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
    Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
    В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..