使用子集或 dplyr::filter 时，过滤 R 中的行会意外删除 NA答案

【问题标题】：Filtering rows in R unexpectedly removes NAs when using subset or dplyr::filter使用子集或 dplyr::filter 时，过滤 R 中的行会意外删除 NA
【发布时间】：2016-07-20 11:14:55
【问题描述】：

我有一个数据集 df，我想删除变量 y 不具有值 a 的所有行。变量y 还包含一些NAs：

df <- data.frame(x=1:3, y=c('a', NA, 'c'))

我可以使用 R 的索引语法来实现这一点，如下所示：

df[df$y!='a',]

  x    y
  2 <NA>
  3    c

请注意，这将返回 NA 和值 c - 这是我想要的。

但是，当我使用 subset 或 dplyr::filter 尝试相同的操作时，NA 会被删除：

subset(df, y!='a')

  x    y
  3    c

dplyr::filter(df, y!='a')
  x    y
  3    c

为什么subset 和dplyr::filter 会这样工作？对我来说这似乎不合逻辑 - NA 与 a 不同，那么当我指定除变量 y 等于 a 的行之外的所有行时，为什么要去掉 NA？

除了明确要求NAs返回之外，还有什么方法可以改变这些函数的行为，即

subset(df, y!='a' | is.na(y))

谢谢

【问题讨论】：

我认为这是默认选项
您确定您的“正确”行为示例df[df$y!='a',] 会返回您所说的返回值吗？因为我得到了不同的东西。如果我们能就返回的内容达成一致，我可以更全面地解释这一点，而不仅仅是说“就是这样”。
看看：github.com/hadley/dplyr/issues/812 - Romain 建议您明确地继续
@StevenBeaupré 不错的答案。

标签： r filter dplyr subset na

【解决方案1】：

您的“预期”行为示例实际上并未返回您在问题中显示的内容。我明白了：

> df[df$y != 'a',]
    x    y
NA NA <NA>
3   3    c

这可能比subset 和dplyr::filter 返回的错误更多。请记住，在 R 中，NA 的真正意思是“未知”，所以 df$y != 'a' 返回，

> df$y != 'a'
[1] FALSE    NA  TRUE

所以 R 被告知你绝对不想要第一行，你确实想要最后一行，但是你是否想要第二行实际上是“未知的”。结果，它包含了一行所有NAs。

很多人不喜欢这种行为，但事实就是如此。

subset 和 dplyr::filter 做出不同的默认选择，即简单地删除 NA 行，这可以说是准确的。

但实际上，这里的教训是，如果您的数据有 NAs，那只意味着您需要在所有点上进行防御性编码，要么使用 is.na(df$y) | df$y != 'a' 之类的条件，要么如其他答案中所述通过使用基于match 的%in%。

来自base::Extract：

在提取时，数字、逻辑或字符 NA 索引选择未知元素，因此返回 NA

来自?base::subset：

缺失值被视为假[...]对于普通向量，结果只是x[subset & !is.na(subset)]

来自?dplyr::filter

与[ 的基本子集不同，条件评估为NA 的行将被删除

【讨论】：

这些所谓的人认为df$y != 'a'应该返回什么？ NA 是不可比较的，所以它不能返回 TRUE 或 FALSE，== 是矢量化的，所以它不能返回长度为 2 的东西
@rawr 我自己对此并没有强烈的感觉，但我已经参与和/或目睹了一些与认为它不好的人的激烈交流。老实说，我不记得他们认为这种行为应该是什么。
感谢@joran，这解释了这种行为。重新运行我的代码，我发现df[df$y != 'a',] 的结果确实与我在问题中的结果不同，但会保留 q 原样，因为从您的回答中可以清楚地看出“预期行为”应该是什么。跨度>

【解决方案2】：

一种解决方法是使用%in%：

subset(df, !y %in% "a")
dplyr::filter(df, !y %in% "a")

【讨论】：

感谢您的回答，但会接受 @joran 的正确答案，因为它给出了行为背后的全部原因并指出了您的解决方法