R中的逻辑索引失败

Question

我试过用内置数据集重现这个问题，但它只发生在我自己的身上。

如果我们随机抽取我的数据子集：

structure(list(ID = structure(c(27L, 1L, 27L, 7L, 5L, 10L, 23L, 
19L, 21L, 26L), .Label = c("AC ", "AJ ", "AT ", "AWY", "BP ", 
"BW ", "CA ", "CK ", "CS ", "DJ ", "EN ", "ES ", "HF ", "HG ", 
"HL ", "HR ", "IP ", "JA ", "JG ", "JN ", "KB ", "KP ", "MJ ", 
"PC ", "RFH", "RPA", "SB ", "SG ", "TM "), class = "factor"), 
TNO = c(30L, 60L, 30L, 10000L, 10000L, 10000L, 120L, 60L, 
120L, 10000L), TNOGroup = structure(c(1L, 1L, 1L, 2L, 2L, 
2L, 2L, 1L, 2L, 2L), .Label = c("Good", "Poor"), class = "factor"), 
x = c(6.15, 7.75, 5.6, 3.05, 3, 4.1, 6, 3.9, 5.85, 3.75), 
View = structure(c(1L, 1L, 2L, 2L, 2L, 2L, 1L, 2L, 1L, 1L
), .Label = c("Binocular", "Monocular"), class = "factor"), 
Prior = structure(c(2L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 1L
), .Label = c("N", "Y"), class = "factor")), .Names = c("ID", 
"TNO", "TNOGroup", "x", "View", "Prior"), row.names = c(169L, 
49L, 24L, 16L, 9L, 4L, 35L, 18L, 164L, 36L), class = "data.frame")

然后尝试删除 ID 的所有实例，该 ID 是两个字符的字符串，例如“SB”：

data2 <- data[!data$ID %in% c("SB"),] # List syntax in case multiple cases

但是，当我检查数据框时，ID 为“SB”的案例仍然存在。当我尝试使用诸如“RPA”之类的三个字符的字符串时，所有具有此 ID 的案例都会按预期删除。

对为什么会发生这种情况有任何见解吗？

Answer 1

作为%in% 的替代品，我建议尝试如下grepl：

mydf[!grepl("CA", mydf$ID), ]
   ID   TNO TNOGroup    x      View Prior
1  AC    60     Good 5.75 Binocular     Y
2 RFH    60     Good 5.60 Monocular     N
3  BP 10000     Poor 3.00 Monocular     N
4  HG    60     Good 4.30 Binocular     Y
6  IP   120     Poor 5.50 Monocular     N
7  JG    60     Good 3.80 Monocular     Y
9 AWY 10000     Poor 3.70 Monocular     Y

我的怀疑（如果没有实际看到使用dput 提供的数据子集，我无法验证）是"CA" 值周围可能有空格。对于 R，"CA" 与 "CA " 不同，即使它们在 data.frame 中看起来可能相同。

---

如果正在读入的文件中有空格，通常会发生这样的问题。默认情况下，R 在决定是否删除该空格时是保守的，但它包含了逻辑参数 strip.white 以用于read.table 和家人。

因此，您可以通过以下方式避免此问题：

read.csv("yourfile.csv", strip.white = TRUE)

---

另请注意，这不一定是%in% 的更安全或更强烈推荐的替代方案。使用 grepl 可能会产生意想不到的后果。例如，如果您有另一个 ID 是 "CAR"，那么使用我共享的选项也会匹配。

---

更新

即使strip.white 也无法解决您的所有问题。如果您的 CSV 引用了所有字符串，并且引号之间存在硬编码的空格，strip.white 将按照预期使用这些空格。

这是一个基本示例。

我们将创建一个 CSV 文件，其中第一行数据包含硬编码的空格，而第二行数据没有。

myTest <- tempfile()
cat(file = myTest, 'A, B, C', 
    '"AA", "BB ", "CC"', 
    '    AA,   BB   , CC', 
    sep = "\n")

现在，使用read.csv 和不带strip.white = TRUE 读取文件并比较输出。

A <- read.csv(myTest)
B <- read.csv(myTest, strip.white = TRUE)
print(A, quote = TRUE)
#          A          B     C
# 1     "AA"     " BB " " CC"
# 2 "    AA" "   BB   " " CC"
print(B, quote = TRUE)
#      A     B    C
# 1 "AA" "BB " "CC"
# 2 "AA"  "BB" "CC"
unlink(myTest)

请注意，在“B”中，对于引号之间的空格未硬编码的行，空格已被适当地修剪，但仍保留在第一行。要解决 那个 问题，您可能需要使用一些正则表达式来去除字符串开头和结尾的空格。