r - 如何在不丢失 R 中的 NA 值的情况下有条件地从数据框中删除观察值？

Question

在数据框中有一个名为 YOB 的变量.如您所见，有 333 NA值。

> summary(train$YOB)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
   1880    1970    1983    1980    1993    2039     333 

我确定了一些异常值并希望摆脱它们。任何小于 1900 和大于 2003 的都将被删除。我试图通过索引来做到这一点。

train = train[which(train$YOB >= 1900 & train$YOB <= 2003),]

不幸的观察者 YOB变量是 NA也被删除。

> summary(train$YOB)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   1900    1970    1983    1980    1993    2003 

附带说明一下，我在使用 subset 时遇到了同样的问题。命令。

> train = subset(train, YOB >= 1900 & YOB <= 2003)
> summary(train$YOB)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   1900    1970    1983    1980    1993    2003 

我也尝试在两次尝试中使用此条件，但没有成功，例如

> train = train[which(!is.na(train$YOB) & train$YOB >= 1900 & train$YOB <= 2003),]
> summary(train$YOB)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   1900    1970    1983    1980    1993    2003 

我想保留具有 NA 的观察结果在 YOB变量，只删除那些数字。这个想法是在第二步估算缺失值。

Answer 1

which将给出数字索引并跳过所有这些 NA 行。为避免这种情况，请使用逻辑索引而不用 which 换行。 .索引将以这种方式为 NA，即使存在其他非 NA 值，该行仍将保留为 NA。

res1 <- train[train$YOB >= 1900 & train$YOB <= 2003,]
res1[is.na(res1$YOB),]
#   YOB col2
#NA  NA   NA

正确的方法是使用 is.na 设置另一个条件

res2 <- train[is.na(train$YOB)| (train$YOB >= 1900 & train$YOB <= 2003),]
res2[is.na(res2$YOB),]
#   YOB      col2
#42  NA 0.2258094

使用一个简单的例子

set.seed(25)
d1 <- data.frame(v1 = c(NA, 1, 5), v2 = rnorm(3))
d1$v1 >1
#[1]    NA FALSE  TRUE

在这里， NA值(value)仍然如此。如果我们使用 which

which(d1$v1 >1)
#[1] 3

我们只得到 TRUE 值的索引。根据 OP，NA 和满足逻辑条件的行都应该返回。在这种情况下，

d1[is.na(d1$v1)|d1$v1 > 1,]
# v1         v2
#1 NA -0.2118336
#3  5 -1.1533076

数据

set.seed(29)
train <- data.frame(YOB = sample(c(NA, 1850:2015), 100, replace=TRUE), 
           col2 = rnorm(100))