Confronti numerici con valori NA che causano sottoinsiemi errati in R

Question

Qualcuno può spiegarmi perché le valutazioni logiche che si risolvono in NA producono righe fasulle in sottoinsiemi basati sul confronto vettoriale?Per esempio:

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

Dato questo comportamento inaspettato, qual è il modo migliore per contare i dipendenti che guadagnano più di 100.000 nell'esempio precedente?

Answer 1

Prima di tutto, probabilmente non vuoi cbind() primo: questo costringerà tutte le tue variabili al carattere.

 emp_salary <- data.frame(employee,salary)

Due possibili soluzioni:

• subset esclude automaticamente i casi in cui il criterio è NA:

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

• contare i risultati direttamente e utilizzarli na.rm=TRUE:

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

Per quanto riguarda la logica dietro le righe fasulle:

• bigsal <- salary>1e5 è un vettore logico che contiene NAs, come deve (perché non c'è modo di sapere se an NA valore soddisfa il criterio oppure no).
• quando si indicizzano le righe di un frame di dati con un vettore logico contenente NAs, questo è probabilmente il pezzo più saliente del documento (da help("[")):

  Durante l'estrazione, un indice "NA" numerico, logico o di caratteri seleziona un elemento sconosciuto e quindi restituisce "NA" nell'elemento corrispondente di un risultato logico, intero, numerico, complesso o di caratteri e "NULL" per un elenco.

(Ho cercato help("[.data.frame") e non sono riuscito a trovare nulla di più utile.)

La cosa da ricordare è che una volta eseguita l'indicizzazione, R non sa più che il vettore logico è stato creato dal salary colonna, quindi non c'è modo di fare ciò che potresti desiderare, ovvero mantenere i valori nelle altre colonne.Ecco un modo di pensare al comportamento apparentemente strano di riempire tutte le colonne del file NA fila con NAS:se R lasciasse completamente fuori la riga, ciò corrisponderebbe al criterio essendo FALSE.Se lo conserva (e ricorda che non può conservare solo poche colonne e eliminare le altre), ciò corrisponderebbe al criterio essendo TRUE.Se il criterio non è nessuno dei due FALSE né TRUE, allora è difficile capire quale altro comportamento abbia senso...