r - 子集化 data.frame 时的 NA 会发生一些意想不到的事情

Question

考虑以下代码。如果您没有在您的条件下明确测试NA，则该代码将在稍后的某个日期失败，然后您的数据发生更改。

>   # A toy example
>   a <- as.data.frame(cbind(col1=c(1,2,3,4),col2=c(2,NA,2,3),col3=c(1,2,3,4),col4=c(4,3,2,1)))
>   a
  col1 col2 col3 col4
1    1    2    1    4
2    2   NA    2    3
3    3    2    3    2
4    4    3    4    1
>   
>   # Bummer, there's an NA in my condition
>   a$col2==2
[1]  TRUE    NA  TRUE FALSE
> 
>   # Why is this a good thing to do?
>   # It NA'd the whole row, and kept it
>   a[a$col2==2,]
   col1 col2 col3 col4
1     1    2    1    4
NA   NA   NA   NA   NA
3     3    2    3    2
>   
>   # Yes, this is the right way to do it
>   a[!is.na(a$col2) & a$col2==2,]
  col1 col2 col3 col4
1    1    2    1    4
3    3    2    3    2
>     
>   # Subset seems designed to avoid this problem
>   subset(a, col2 == 2)
  col1 col2 col3 col4
1    1    2    1    4
3    3    2    3    2

有人可以解释为什么你在没有 is.na 检查的情况下得到的行为会是好的或有用的吗？

Answer 1

我绝对同意这并不直观( I made that point before on SO )。为了捍卫 R，我认为知道何时有缺失值是有用的(即这不是一个错误)。 == 运算符明确设计用于通知用户 NA 或 NaN 值。请参阅 ?"=="了解更多信息。它指出:

Missing values ('NA') and 'NaN' values are regarded as non-comparable even to themselves, so comparisons involving them will always result in 'NA'.

换句话说，缺失值无法使用二元运算符进行比较(因为它是未知的)。

除了 is.na() 之外，你还可以这样做:

which(a$col2==2) # tests explicitly for TRUE

或者

a$col2 %in% 2 # only checks for 2

%in% 被定义为使用 match() 函数:

'"%in%" <- function(x, table) match(x, table, nomatch = 0) > 0'

"The R Inferno" 中也对此进行了介绍。 .

在 R 中检查数据中的 NA 值至关重要，因为许多重要的运算符不会按照您期望的方式处理它。除了 == 之外，对于 &、|、<、sum() 等也同样如此。当我编写 R 代码时，我总是在想“如果这里有 NA 会发生什么”。要求 R 用户小心缺失值是“设计使然”。

更新:当存在多个逻辑条件时，NA 如何处理？

NA 是一个逻辑常量，如果您不考虑可能返回的内容，您可能会得到意外的子集(例如 NA | TRUE == TRUE)。 ?Logic 中的这些真值表可能提供有用的说明:

outer(x, x, "&") ## AND table
#       <NA> FALSE  TRUE
#<NA>     NA FALSE    NA
#FALSE FALSE FALSE FALSE
#TRUE     NA FALSE  TRUE

outer(x, x, "|") ## OR  table
#      <NA> FALSE TRUE
#<NA>    NA    NA TRUE
#FALSE   NA FALSE TRUE
#TRUE  TRUE  TRUE TRUE