R：tapply(length) 给出不同的结果与 NA

Question

根据我是否使用包含 NA 的子集参数，我从 tapply 中得到不同的结果

tapply(X[X==Y], IND[X==Y], length)

或

tapply(X, IND, function(x){length(x[x==Y])})

简介：带有 NA 的 length() 的行为不符合天真的期望：

> vec <- c(1,2,3,NA,5,6,NA,8,NA,10)
> length(vec)
[1] 10
> length(is.na(vec))  # Not talking about the same vector
[1] 10
> length(vec[vec==1])  # Sometimes I forget what vector I meant
[1] 4

给粗心的人带来惊喜，但它的工作原理是有原因的；这是预期的行为。但是上面的第二个更长的tapply() 调用遵循这种模式，而第一个版本给出了天真的期望。

设置：

set.seed(668)
yrCodes <- c(1995:2015)
staCodes <- c(LETTERS[1:12])
sexCodes <- c('m','f')
years <- rep(yrCodes, times=rep(sample(1:4, length(yrCodes), replace=TRUE)))
stations <- sample(staCodes, length(years), replace=TRUE)
sexes <- sample(sexCodes, length(years), replace=TRUE)
sexes[sample(1:length(sexes),10)] <- NA
data <- data.frame(YEAR=years, STATION=stations, SEX=sexes)

第一种形式：

> with(data, tapply(SEX, STATION, length))  # All observations
A B C D E F G H I J K L 
4 5 7 4 3 6 2 3 3 4 6 4 
> with(data, tapply(SEX[SEX=='m'], STATION[SEX=='m'], length))  # Males
 A  B  C  D  E  F  G  H  I  J  K  L 
 2  3  4  3 NA  2  2  3  2  2  2  2 
> with(data, tapply(SEX[SEX=='f'], STATION[SEX=='f'], length))  # Females
 A  B  C  D  E  F  G  H  I  J  K  L 
 1  1  1 NA  3  2 NA NA  1  1  3  1 
> with(data, tapply(SEX[is.na(SEX)], STATION[is.na(SEX)], length))  # NAs
 A  B  C  D  E  F  G  H  I  J  K  L 
 1  1  2  1 NA  2 NA NA NA  1  1  1 

这是粗心的人所期望的，但与上面length(vec[]) 发生的情况不符。但是，这样做：

> with(data, tapply(SEX, STATION, function(sex){length(sex[sex=='m'])}))  # Males plus NAs
A B C D E F G H I J K L 
3 4 6 4 0 4 2 3 2 3 3 3 
> with(data, tapply(SEX, STATION, function(sex){length(sex[sex=='f'])}))  # Females plus NAs
A B C D E F G H I J K L 
2 2 3 1 3 4 0 0 1 2 4 2 
> with(data, tapply(SEX, STATION, function(sex){length(sex[is.na(sex)])}))  # NAs
A B C D E F G H I J K L 
1 1 2 1 0 2 0 0 0 1 1 1 

也许在臭名昭著的 tapply 文档中给出了差异的原因，但我无法弄清楚。这是怎么回事？

编辑：哦，是的——我还注意到第二种方式产生零，而第一种方式只给出 NA；对length 的调用肯定有很大的不同——但是什么？

Answer 1

这是因为使用NA 的子集将产生NA

"m" == NA
[1] NA

在您的通话中，您会在不同的地方进行。

考虑一下：

split(c(1,2,3), factor(c(1,2,3)))
$`1`
[1] 1

$`2`
[1] 2

$`3`
[1] 3

但在因素中有NA：

split(c(1,2,3), factor(c(1,2,NA)))
$`1`
[1] 1

$`2`
[1] 2

split 自动省略了NAs，split 是tapply 的主要部分。

让我们看看你使用的两个tapplys：

with(data, tapply(SEX[SEX=='m'], STATION[SEX=='m'], length))

在这里，您将 在 传递给tapply 之前进行子集化。因此，STATION 的值（其中SEX 是NA）现在也将是NA，split 将自动忽略它们。

split(data$SEX[data$SEX == "m"], as.factor(as.numeric(data$STATION[data$SEX == "m"])))

另一个：

with(data, tapply(SEX, STATION, function(sex){length(sex[sex=='m'])}))

在这里，您在 传递给tapply 之后进行子集化，并且

split(c(1, NA, 2), factor(c(1, 2, 3))) 当然仍将包含NA 值。

split(data$SEX, as.factor(as.numeric(data$STATION)))

收益，例如第一个因素

[1] f    m    m    <NA>
Levels: f m

而且，正如您还提到的，NA == "m" 将是 NA。这就是您以这种方式保留NA 的原因。

c(2, 3, 4)[c(1, NA)]
[1]  2 NA