Question

我正在通过R进行数据科学练习来教自己R，当我试图找到相同问题的不同解决方案时，我遇到了困扰我的结果。

我加载了以下软件包：

library(nycflights13)
library(tidyverse)

问题是：查看每天取消的航班数量（flights数据集）。有模式吗？取消航班的比例是否与平均延误相关？

我找到了一个很好地描述模式的解决方案：

flights %>%
 group_by(year, month, day) %>%
 summarize(cancelled = mean(is.na(arr_delay)) , avg_delay = mean(arr_delay, na.rm = TRUE)) %>%
 ggplot(mapping = aes(x = avg_delay, y = cancelled)) +
 geom_point(alpha=0.5) + 
 geom_smooth(se=FALSE)

以下代码（mean()与[{1}}次sum()/n()次广告代码交换）给出完全相同的图片：

cancelled

但是，当我为flights %>% group_by(year, month, day) %>% summarize(cancelled = sum(is.na(arr_delay))/n() , avg_delay = mean(arr_delay, na.rm = TRUE)) %>% ggplot(mapping = aes(x = avg_delay, y = cancelled)) + geom_point(alpha=0.5) + geom_smooth(se=FALSE)执行相同操作时，图片会发生变化：

avg_delay

我希望所有表达式都能给出相同的结果。我的想法是，有时会考虑缺失的值，有时不会，因此图片会发生变化，但我缺乏测试差异的R知识。任何人都可以建议我需要做些什么才能澄清差异的来源？

Answer 1

这是因为将mean与na.rm = TRUE一起使用只会考虑那些不是NA的行。所以长度不等于n()！

考虑例如在上一个例子中，使用

avg_delay = sum(arr_delay, na.rm = TRUE)/sum(!is.na(arr_delay))

将与上述两种方法完全相同

mean（）和sum（）/ n（）结果不匹配

1 个答案: