R- NA.#从何而来？

Question

我希望子集我的数据(grades_overall)，以便所有在列CSE中值小于30的行都包含在名为lesst_than_30的新数据have中。

> str(grades_overall)
'data.frame':   284 obs. of  20 variables:
 $ T1             : num  10 11 10 12 9 7 8 13 11 8 ...
 $ T2             : num  10 4 10 15 13 5 14 14 16 11 ...
 $ BS             : num  12 NA NA 13 9 6 16 3 8 10 ...
 $ BT             : num  9 8 13 12 11 3 7 14 12 13 ...
 $ BC             : num  5 4 14 14 12 6 11 7 12 13 ...
 $ BM             : num  1 NA 10 11 9 5 14 9 11 11 ...
 $ D1             : num  17 NA 14 14 11 9 11 15 15 17 ...
 $ D2             : num  15 12 15 10 16 17 10 16 11 16 ...
 $ D3             : num  16 6 8 10 12 6 7 19 12 13 ...
 $ D4             : num  11 NA 14 10 18 16 10 14 12 17 ...
 $ D5             : num  16 10 14 16 15 8 6 16 16 15 ...
 $ D6             : num  12 NA 15 12 11 11 10 17 16 17 ...
 $ Total_testscore: num  7 13 11 12 11 9 13 5 9 12 ...
 $ Programme      : Factor w/ 4 levels "ArchBrus","ArchGent",..: 1 2 2 2 2 2 2 3 4 2 ...
 $ Math_GPA       : Factor w/ 5 levels "<60%",">90%",..: 4 4 1 5 1 1 3 NA NA 4 ...
 $ ID             : num  1 3 6 7 8 12 13 14 15 16 ...
 $ SE_track       : Factor w/ 3 levels "ASO","KSO","TSO": 1 1 2 3 1 1 1 2 2 2 ...
 $ Gender         : Factor w/ 2 levels "male","female": 1 1 1 1 2 2 1 2 2 2 ...
 $ CSE            : num  83 33 67 100 67 17 50 83 83 83 ...
 $ Hours_Math_SE  : num  6 3 6 4 6 4 6 2 6 6 ...
> lesst_than_30 <- grades_overall[grades_overall[,19] <30,] #41
> head(lesst_than_30)
     T1 T2 BS BT BC BM D1 D2 D3 D4 D5 D6 Total_testscore Programme Math_GPA ID SE_track Gender CSE Hours_Math_SE
6     7  5  6  3  6  5  9 17  6 16  8 11               9  ArchGent     <60% 12      ASO female  17             4
NA   NA NA NA NA NA NA NA NA NA NA NA NA              NA      <NA>     <NA> NA     <NA>   <NA>  NA            NA
29    8 NA  9  8 NA NA  9 11  7 NA NA NA               9  ArchGent     <60% 48      ASO female  17             6
NA.1 NA NA NA NA NA NA NA NA NA NA NA NA              NA      <NA>     <NA> NA     <NA>   <NA>  NA            NA
NA.2 NA NA NA NA NA NA NA NA NA NA NA NA              NA      <NA>     <NA> NA     <NA>   <NA>  NA            NA
40    4 12  6  7 13  9  6  9 11 16  9 13              10  ArchGent     <NA> 66      ASO female  17             6

NA值从哪里来？

没有观测到所有的数据都丢失了。怎么解决这个问题呢？

Answer 1

我不知道这是否是重复的，但答案可以基于以下例子。

x <- c(1, NA, 3)

x[x < 2]
#[1]  1 NA
x[which(x < 2)]
#[1] 1

正在发生的情况是，索引中包含NA值，其结果也将包含它们：

x < 2
#[1]  TRUE    NA FALSE
which(x < 2)
#[1] 1

即使原始数据中没有NA，也会发生这种情况。下一个示例使用一个NA的逻辑索引，数据是完整的，但是结果有一个NA。

y <- c(1, 2, 3)
i <- c(TRUE, NA, FALSE)
y[i]
#[1]  1 NA

如果NA是用which删除的，则不会。

y[which(i)]
#[1] 1

Answer 2

正如@Rui提到的那样，grades_overall[,19] <30对值(即NA )返回NA，当您对它们进行子集时，它返回NA行。考虑一个使用mtcars的示例

df <- mtcars
df[1,1] <- NA

head(df[df[, 1] < 20, ])

#                   mpg cyl  disp  hp drat   wt  qsec vs am gear carb
#NA                  NA  NA    NA  NA   NA   NA    NA NA NA   NA   NA
#Hornet Sportabout 18.7   8 360.0 175 3.15 3.44 17.02  0  0    3    2
#Valiant           18.1   6 225.0 105 2.76 3.46 20.22  1  0    3    1
#Duster 360        14.3   8 360.0 245 3.21 3.57 15.84  0  0    3    4
#Merc 280          19.2   6 167.6 123 3.92 3.44 18.30  1  0    4    4
#Merc 280C         17.8   6 167.6 123 3.92 3.44 18.90  1  0    4    4

要解决这个问题，可以使用另一个条件来检查NA值。

df[df[, 1] < 20 & !is.na(df[, 1]), ]

或者使用默认忽略dplyr::filter值的NA。

library(dplyr)
df %>%  filter(mpg < 20)