Comparaisons numériques avec des valeurs NA provoquant de mauvais sous-ensembles dans R

Question

Quelqu'un peut-il m'expliquer pourquoi les évaluations logiques qui aboutissent à NA produisent de fausses lignes dans des sous-ensembles basés sur une comparaison vectorielle ?Par exemple:

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

Compte tenu de ce comportement inattendu, quelle est la meilleure façon de compter les employés gagnant plus de 100 000 $ dans l'exemple ci-dessus ?

Answer 1

Tout d'abord, vous ne voulez probablement pas cbind() d'abord - cela contraindra toutes vos variables au caractère.

 emp_salary <- data.frame(employee,salary)

Deux solutions possibles :

• subset exclut automatiquement les cas où le critère est NA:

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

• compter les résultats directement et utiliser na.rm=TRUE:

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

Quant à la logique derrière les fausses lignes :

• bigsal <- salary>1e5 est un vecteur logique qui contient NAs, comme il se doit (car il n'y a aucun moyen de savoir si un NA la valeur satisfait ou non au critère).
• lors de l'indexation des lignes d'une trame de données avec un vecteur logique contenant NAs, c'est probablement le morceau de document le plus important (depuis help("[")):

  Lors de l'extraction, un index numérique, logique ou caractère « NA » sélectionne un élément inconnu et renvoie ainsi « NA » dans l'élément correspondant d'un résultat logique, entier, numérique, complexe ou caractère, et « NULL » pour une liste.

(J'ai cherché help("[.data.frame") et je n'ai rien vu de plus utile.)

Ce qu'il faut retenir, c'est qu'une fois l'indexation effectuée, R ne sait plus que le vecteur logique a été créé à partir du salary colonne, il n'y a donc aucun moyen pour lui de faire ce que vous pourriez vouloir, c'est-à-dire conserver les valeurs dans les autres colonnes.Voici une façon de réfléchir au comportement apparemment étrange du remplissage de toutes les colonnes du NA rangée avec NAs :si R laisse entièrement la ligne de côté, cela correspondrait au critère étant FALSE.S'il le conserve (et rappelez-vous qu'il ne peut pas conserver quelques colonnes et supprimer les autres), alors cela correspondrait au critère étant TRUE.Si le critère n'est ni l'un ni l'autre FALSE ni TRUE, alors il est difficile de voir quel autre comportement a du sens...