我有一个data.table,其列有NA
个。我想删除该列占用特定值的行(恰好是""
)。但是,我的第一次尝试也导致我丢失NA
秒的行:
> a = c(1,"",NA)
> x <- data.table(a);x
a
1: 1
2:
3: NA
> y <- x[a!=""];y
a
1: 1
在查看?`!=`
之后,我找到了一个有效的衬垫,但这很痛苦:
> z <- x[!sapply(a,function(x)identical(x,""))]; z
a
1: 1
2: NA
我想知道是否有更好的方法来做到这一点?此外,我认为没有好的方法来扩展它以排除多个非NA
值。这是一个糟糕的方式:
> drop_these <- function(these,where){
+ argh <- !sapply(where,
+ function(x)unlist(lapply(as.list(these),function(this)identical(x,this)))
+ )
+ if (is.matrix(argh)){argh <- apply(argh,2,all)}
+ return(argh)
+ }
> x[drop_these("",a)]
a
1: 1
2: NA
> x[drop_these(c(1,""),a)]
a
1: NA
我查看?J
并尝试使用data.frame,这似乎有所不同,在子集化时保留NA
:
> w <- data.frame(a,stringsAsFactors=F); w
a
1 1
2
3 <NA>
> d <- w[a!="",,drop=F]; d
a
1 1
NA <NA>
答案 0 :(得分:15)
您应该使用%in%
。它会返回一个逻辑向量。
a %in% ""
# [1] FALSE TRUE FALSE
x[!a %in% ""]
# a
# 1: 1
# 2: NA
data.table
中发生这种情况:(与data.frame
相对)
如果您查看函数data.table
下的data.table.R
文件上的"[.data.table"
源代码,则会有一组if-statements
检查i
参数。其中之一是:
if (!missing(i)) {
# Part (1)
isub = substitute(i)
# Part (2)
if (is.call(isub) && isub[[1L]] == as.name("!")) {
notjoin = TRUE
if (!missingnomatch) stop("not-join '!' prefix is present on i but nomatch is provided. Please remove nomatch.");
nomatch = 0L
isub = isub[[2L]]
}
.....
# "isub" is being evaluated using "eval" to result in a logical vector
# Part 3
if (is.logical(i)) {
# see DT[NA] thread re recycling of NA logical
if (identical(i,NA)) i = NA_integer_
# avoids DT[!is.na(ColA) & !is.na(ColB) & ColA==ColB], just DT[ColA==ColB]
else i[is.na(i)] = FALSE
}
....
}
为了解释这种差异,我在这里粘贴了重要的代码。我还将它们标记为3部分。
dt[a != ""]
不能按预期工作(由OP)?首先,part 1
计算出类call
的对象。 part 2
中if语句的第二部分返回FALSE。然后,call
被“评估”以提供c(TRUE, FALSE, NA)
。然后执行part 3
。因此,NA
被替换为FALSE
(逻辑循环的最后一行)。
x[!(a== "")]
按预期工作(由OP)? part 1
再次返回调用。但是,part 2
的计算结果为TRUE,因此设置:
1) `notjoin = TRUE`
2) isub <- isub[[2L]] # which is equal to (a == "") without the ! (exclamation)
这就是魔术发生的地方。这个否定现在已被删除。请记住,这仍然是类调用的对象。因此,这将再次评估(使用eval
)逻辑。因此,(a=="")
评估为c(FALSE, TRUE, NA)
。
现在,我在is.logical
中检查了part 3
。所以,在这里,NA
被替换为FALSE
。因此它成为,c(FALSE, TRUE, FALSE)
。稍后,执行which(c(F,T,F))
,这将产生2。因为返回了notjoin = TRUE
(来自part 2
)seq_len(nrow(x))[-2]
= c(1,3)。所以,x[!(a=="")]
基本上返回x[c(1,3)]
,这是期望的结果。以下是相关的代码段:
if (notjoin) {
if (bywithoutby || !is.integer(irows) || is.na(nomatch)) stop("Internal error: notjoin but bywithoutby or !integer or nomatch==NA")
irows = irows[irows!=0L]
# WHERE MAGIC HAPPENS (returns c(1,3))
i = irows = if (length(irows)) seq_len(nrow(x))[-irows] else NULL # NULL meaning all rows i.e. seq_len(nrow(x))
# Doing this once here, helps speed later when repeatedly subsetting each column. R's [irows] would do this for each
# column when irows contains negatives.
}
考虑到这一点,我认为语法有些不一致。如果我有时间来制定问题,那么我很快就会写一篇文章。
答案 1 :(得分:3)
正如您已经想到的那样,这就是原因:
a != ""
#[1] TRUE NA FALSE
你可以做你已经想到的事情,即x[is.na(a) | a != ""]
或setkey
a
,并执行以下操作:
setkey(x, a)
x[!J("")]
答案 2 :(得分:3)
马修的背景答案:
此问题突出显示!=
上NA
[.data.frame
的行为并非打算考虑它。最初的意图确实与==
w.r.t不同。 NA
和DT[ColA==ColB]
我相信每个人都对此感到满意。例如,FAQ 2.17有:
更简单
DF[!is.na(ColA) & !is.na(ColB) & ColA==ColB,]
比DT[c(TRUE,NA,FALSE)]
通过以下方式实现这种便利:
返回
NA
将FALSE
视为DF[c(TRUE,NA,FALSE)]
,但NA
为每个NA
!
行
动机不仅仅是方便而是速度,因为每个is.na
,&
,==
和x[is.na(a) | a!=""]
本身都是矢量扫描,每个都有相关的内存分配。他们的结果(在介绍小插图中解释)。因此虽然x[!a %in% ""]
是一个可行的解决方案,但它正是我试图避免在data.table中需要的逻辑类型。 %in%
略胜一筹;即,2次扫描(!
和is.na
)而不是3次(|
,!=
和x[a != ""]
)。但是真的NA
应该在一次扫描中做到Frank所期望的(包括DT[colA=="foo" & colB!="bar"]
)。
提交的新功能请求链接回此问题:
感谢Frank,Eddi和Arun。如果我没有正确理解,请随意纠正,否则最终会做出改变。它需要以考虑复合表达的方式完成;例如,NA
应排除colA
中包含colA
的行,但包括NA
为非colB
但NA
为DT[colA!=colB]
的行}。同样,NA
应包含colA或colB为DT[colA==colB]
但不包含两者的行。也许colA
应该包含colB
和NA
都是{{1}}的行(我相信它目前没有)。