处理NULL, NA, NaN

问题

你想正确处理NULL、NA （Not Available）、NaN（Not a Number）。

方案

你的数据有时将会存在NULL、NA 、NaN。处理这些数据有些不同于”正常”值，并可能需要确定性测试。

以下是这些值相比较的例子：

  1. x <- NULL
  2. x > 5
  3. # logical(0)
  5. y <- NA
  6. y > 5
  7. # NA
  9. z <- NaN
  10. z > 5
  11. # NA

如何测试某个变量是否是其中的一个值：

  1. is.null(x)
  2. # TRUE
  4. is.na(y)
  5. # TRUE
  7. is.nan(z)
  8. # TRUE

注意，NULL不同于其他两个。NULL意味着没有值，而NA和NaN表示有价，尽管也许是不可用的。下面有一个例子区分：

  1. # Is y null?
  2. is.null(y)
  3. # FALSE
  5. # Is x NA?
  6. is.na(x)
  7. # logical(0)
  8. # Warning message:
  9. # In is.na(x) : is.na() applied to non-(list or vector) of type 'NULL'

第一个例子，检查y是否是NULL，结果y并不是；第二个例子，试图检查x是否是NA，但并没有值被检测。

忽视向量汇总函数中的“坏”值

如果你对包含NA或NaN的向量使用诸如mean()或sum()之类的函数，结果将返回NA和NaN，这通常没有任何意义，虽然这样的结果会提醒你有“坏”值的存在。许多函数都有na.rm可以将这些值忽略。

  1. vy <- c(1, 2, 3, NA, 5)
  2. # 1  2  3 NA  5
  3. mean(vy)
  4. # NA
  5. mean(vy, na.rm=TRUE)
  6. # 2.75
  8. vz <- c(1, 2, 3, NaN, 5)
  9. # 1   2   3 NaN   5
  10. sum(vz)
  11. # NaN
  12. sum(vz, na.rm=TRUE)
  13. # 11
  15. # NULL不是问题，因为它不存在
  16. vx <- c(1, 2, 3, NULL, 5)
  17. # 1 2 3 5
  18. sum(vx)
  19. # 11

从向量中移除”坏值“

使用is.na()或is.nan()的反向函数，可以将这些值移除。

  1. vy
  2. # 1  2  3 NA  5
  3. vy[!is.na(vy)]
  4. # 1  2  3  5
  6. vz
  7. # 1   2   3 NaN   5
  8. vz[!is.nan(vz)]
  9. # 1  2  3  5

注意

也有无限值Inf和-Inf，及其相应的函数is.finite()和is.infinite()。

见/Manipulating data/Comparing vectors or factors with NA

原文链接：http://www.cookbook-r.com/Basics/Working_with_NULL_NA_and_NaN/