Tengo un enorme conjunto de datos con seis columnas (llamarlos A, B, C, D, E, F), cerca de 450.000 filas. Yo simplemente traté de encontrar la correlación entre las columnas A y B:¿Cómo calcular la correlación de dos variables en un gran conjunto de datos en R?
cor(A, B)
y llegué
[1] NA
como resultado. ¿Qué puedo hacer para solucionar este problema?
Trate cor(A,B, use = "pairwise.complete.obs"). Eso ignorará las NA en tus observaciones.
Para ser estadísticamente riguroso, también debe mirar el n. ° de entradas faltantes en sus datos y observar si se cumple la aserción faltante al azar.
Edición 1: Eche un vistazo a ?cor para ver otras opciones para el parámetro use.
Usted podría considerar el uso de la función Rcorr en el paquete Hmisc.
Es muy rápido, y solo incluye observaciones completas por pares. El objeto devuelto contiene una matriz
un código de ejemplo está disponible here: