与 NA 值的数值比较导致 R 中的错​​误子集

Question

有人可以向我解释为什么解析为 NA 的逻辑评估会在基于向量比较的子集中产生虚假行吗？例如：

employee <- c("Big Shot CEO", "Programmer","Intern","Guy Who Got Fired Last Week")
salary <-   c(      10000000,        50000,       0,                           NA)
emp_salary <- data.frame(employee,salary)

# how many employees paid over 100K?
nrow(emp_salary[salary>100000,]) # Returns 2 instead of 1 -- why?

emp_salary[salary>100000,]
# returns a bogus row of all NA's (not "Guy Who Got Fired")
#        employee salary
# 1  Big Shot CEO  1e+07
# NA         <NA>   <NA>

salary[salary>100000]
# returns:
# [1] 1e+07    NA

NA > 100000 #returns NA

鉴于这种意外行为，在上述示例中计算收入超过 10 万的员工的首选方法是什么？

Answer 1

首先，您可能不想先 cbind() —— 这会强制您的所有变量为字符。

 emp_salary <- data.frame(employee,salary)

两种可能的解决方案：

• subset 自动排除条件为NA 的情况：

nrow(subset(emp_salary,salary>1e5))

• 直接统计结果，使用na.rm=TRUE：

sum(salary>1e5,na.rm=TRUE)

至于虚假行背后的逻辑：

• bigsal <- salary>1e5 是一个逻辑向量，其中包含 NAs，这是必须的（因为无法知道 NA 值是否满足标准）。
• 当使用包含NAs 的逻辑向量索引数据帧的行时，这可能是文档中最显着的位（来自help("[")）：

  提取时，数字、逻辑或字符“NA”索引会选择未知元素，因此在逻辑、整数、数字、复数或字符结果的相应元素中返回“NA”，对于列表返回“NULL” .

（我搜索了help("[.data.frame") 并没有看到任何更有用的东西。）

要记住的是，一旦完成索引，R 就不再知道逻辑向量是从 salary 列创建的，因此它无法执行您可能想要的操作，即保留其他列中的值。这是考虑用NAs 填充NA 行中所有列的看似奇怪行为的一种方法：如果R 完全不考虑该行，则对应于FALSE 的标准。如果它保留它（并记住它不能只保留几列并删除其他列），那么这将对应于TRUE 的标准。如果标准既不是FALSE 也不是TRUE，那么很难看出还有什么行为是有意义的......