我有一个包含一堆分类变量的数据框。其中一些包含 NA,我使用
addNA
函数将它们转换为显式因子水平。当我尝试将它们视为 NA 时,我的问题就出现了,它们似乎没有注册。
这是我的示例数据集并尝试“查找”NA:
df1 <- data.frame(id = 1:200, y =rbinom(200, 1, .5),
var1 = factor(rep(c('abc','def','ghi','jkl'),50)))
df1$var2 <- factor(rep(c('ab c','ghi','jkl','def'),50))
df1$var3 <- factor(rep(c('abc','ghi','nop','xyz'),50))
df1[df1$var1 == 'abc','var1'] <- NA
df1$var1 <- addNA(df1$var1)
df1$isNaCol <- ifelse(df1$var1 == NA, 1, 0);summary(df1$isNaCol)
df1$isNaCol <- ifelse(is.na(df1$var1), 1, 0);summary(df1$isNaCol)
df1$isNaCol <- ifelse(df1$var1 == 'NA', 1, 0);summary(df1$isNaCol)
df1$isNaCol <- ifelse(df1$var1 == '<NA>', 1, 0);summary(df1$isNaCol)
此外,当我输入
??addNA
时,我没有得到任何匹配项。这是灰市功能还是什么?任何建议将不胜感激。
使用常用的比较运算符测试与
NA
的相等性总是会产生 NA
——您想要 is.na
。此外,在 is.na
上调用 factor
会测试每个级别索引(而不是与该索引关联的值),因此您需要首先将 factor
转换为 character
向量。
df1$isNaCol <- ifelse(is.na(as.character(df1$var1)), 1, 0);summary(df1$isNaCol)
请注意,这是在调用 addNA()
之前使用 OP 的数据完成的。 看看
addNA()
对这些数据做了什么很有启发性。
> head(df1$var1)
[1] <NA> def ghi jkl <NA> def
Levels: abc def ghi jkl
> levels(df1$var1)
[1] "abc" "def" "ghi" "jkl"
> head(addNA(df1$var1))
[1] <NA> def ghi jkl <NA> def
Levels: abc def ghi jkl <NA>
> levels(addNA(df1$var1))
[1] "abc" "def" "ghi" "jkl" NA
addNA
正在改变因子的levels,使得缺失值 (
NA
) 是默认情况下 R 会忽略它的级别,因为
NA
值所采用的级别当然是缺失的。它还删除了
NA
信息 - 从某种意义上说,它不再是未知的,而是“缺失”类别的一部分。查看
addNA
我们
?addNA
的帮助。如果我们查看
addNA
的定义,我们会发现它所做的只是改变级别
of the factor, not changing the data any:
> addNA
function (x, ifany = FALSE)
{
if (!is.factor(x))
x <- factor(x)
if (ifany & !any(is.na(x)))
return(x)
ll <- levels(x)
if (!any(is.na(ll)))
ll <- c(ll, NA)
factor(x, levels = ll, exclude = NULL)
}
请注意,它不会以其他方式更改数据 -
NA
仍然存在于因子中。我们可以通过以下方式复制
addNA
的大部分行为:
with(df1, factor(var1, levels = c(levels(var1), NA), exclude = NULL))
> head(with(df1, factor(var1, levels = c(levels(var1), NA), exclude = NULL)))
[1] <NA> def ghi jkl <NA> def
Levels: abc def ghi jkl <NA>
但是,因为 NA
现在是一个级别,这些条目not 通过
is.na()
指示为缺失,这解释了您无法进行的第二个比较(在您使用 is.na()
的地方)。从
addNA
获得的唯一好处是,如果
NA
已经作为一个级别存在,它不会将其添加为一个级别。另外,如果数据中没有
ifany
,您可以通过
NA
停止添加
NA
作为级别。你出错的地方是尝试使用常用的比较方法(除了你的第二个例子)将
NA
与某些东西进行比较。如果我们不知道观察的价值和
NA
,我们如何将其与某些东西进行比较?好吧,除了
NA
的内部表示之外,我们不能。这就是
is.na()
函数所做的事情:
> with(df1, head(is.na(var1), 10))
[1] TRUE FALSE FALSE FALSE TRUE FALSE FALSE FALSE TRUE FALSE
因此我会这样做(不使用
addNA
df1 <- transform(df1, isNaCol = is.na(var1))
> head(df1)
id y var1 var2 var3 isNaCol
1 1 1 <NA> ab c abc TRUE
2 2 0 def ghi ghi FALSE
3 3 0 ghi jkl nop FALSE
4 4 0 jkl def xyz FALSE
5 5 0 <NA> ab c abc TRUE
6 6 1 def ghi ghi FALSE
如果您希望将其作为
1
、
0
、变量,只需添加
as.numeric()
,如所示
df1 <- transform(df1, isNaCol = as.numeric(is.na(var1)))
我认为你真正出错的地方是想要为该因素附加一个
NA
水平。我认为
addNA()
是一个方便的函数,可用于
table()
之类的东西,甚至有理由认为不需要事先使用
addNA()
,例如:
> with(df1, table(var1, useNA = "ifany"))
var1
abc def ghi jkl <NA>
0 50 50 50 50
addNA
函数将因子中的任何 NA 观察值更改为新水平。然后,该级别被赋予label NA(字符模式)。基础变量本身不再具有任何 NA。这就是为什么你的第二个总结全是0。 要查看有多少观察结果具有 NA 级别,请使用 Matthew Plourde 发布的内容。
is.na()
适用于水平,但不适用于因子变量本身。所以我的解决方案是基于此。
set.seed(1)
x <- factor(sample(c(0,1,NA), size = 10, replace = T))
x
#[1] 0 <NA> 0 1 0 <NA> <NA> 1 1 <NA>
#Levels: 0 1
x <- addNA(x)
x
#[1] 0 <NA> 0 1 0 <NA> <NA> 1 1 <NA>
#Levels: 0 1 <NA>
# get the level that is NA
na_level <- which(is.na(levels(x))) # 3
# get a logical equivalent of is.na() before using addNA()
!x %in% (levels(x)[-na_level])
# [1] FALSE TRUE FALSE FALSE FALSE TRUE TRUE FALSE FALSE TRUE