Come risolvere: errore in do_one(nmeth): na/nan/inf nella chiamata di funzione esterna (arg 1)
Un errore che potresti riscontrare in R è:
Error in do_one(nmeth): NA/NaN/Inf in foreign function call (arg 1)
Questo errore si verifica quando si tenta di eseguireil clustering k-means in R ma il frame di dati in uso presenta uno o più valori mancanti.
Questo tutorial spiega esattamente come correggere questo errore.
Come riprodurre l’errore
Supponiamo di avere il seguente frame di dati in R con un valore mancante nella seconda riga:
#create data frame df <- data. frame (var1=c(2, 4, 4, 6, 7, 8, 8, 9, 9, 12), var2=c(12, 14, 14, 8, 8, 15, 16, 9, 9, 11), var3=c(22, NA, 23, 24, 28, 23, 19, 16, 12, 15)) row. names (df) <- LETTERS[1:10] #view data frame df var1 var2 var3 At 2 12 22 B 4 14 NA C 4 14 23 D 6 8 24 E 7 8 28 F 8 15 23 G 8 16 19 H 9 9 16 I 9 9 12 D 12 11 15
Se proviamo a utilizzare la funzione kmeans() per eseguire il clustering k-means su questo frame di dati, riceveremo un errore:
#attempt to perform k-means clustering with k = 3 clusters km <- kmeans(df, centers = 3 ) Error in do_one(nmeth): NA/NaN/Inf in foreign function call (arg 1)
Come correggere l’errore
Il modo più semplice per correggere questo errore è utilizzare semplicemente la funzione na.omit() per rimuovere le righe con valori mancanti dal frame di dati:
#remove rows with NA values df <- na. omitted (df) #perform k-means clustering with k = 3 clusters km <- kmeans(df, centers = 3) #view results km K-means clustering with 3 clusters of sizes 4, 3, 2 Cluster means: var1 var2 var3 1 5.5 14.250000 21.75000 2 10.0 9.666667 14.33333 3 6.5 8.000000 26.00000 Vector clustering: ACDEFGHIJ 1 1 3 3 1 1 2 2 2 Within cluster sum of squares by cluster: [1] 46.50000 17.33333 8.50000 (between_SS / total_SS = 79.5%) Available components: [1] "cluster" "centers" "totss" "withinss" "tot.withinss" [6] "betweenss" "size" "iter" "ifault"
Tieni presente che l’algoritmo di clustering k-means viene eseguito correttamente una volta rimosse le righe con valori mancanti dal frame di dati.
Bonus:una guida passo passo completa al clustering k-means in R
Risorse addizionali
Come risolvere in R: NA introdotte dalla coercizione
Come riparare in R: indice fuori limite
Come risolvere in R: la lunghezza di un oggetto più lungo non è un multiplo della lunghezza di un oggetto più corto