tipos - ¿Cómo extender el comportamiento `==` a los vectores que incluyen NA?

tipos de comportamiento en los niños

Question

He fallado completamente en la búsqueda de otra discusión r-help o Stack Overflow sobre este problema específico. Lo siento si está en algún lugar obvio. Creo que estoy buscando la forma más fácil de obtener el signo == de R para no devolver nunca NA.

# Example #

# Say I have two vectors
a <- c( 1 , 2 , 3 )
b <- c( 1 , 2 , 4 )
# And want to test if each element in the first
# is identical to each element in the second:
a == b
# It does what I want perfectly:
# TRUE TRUE FALSE

# But if either vector contains a missing,
# the `==` operator returns an incorrect result:
a <- c( 1 , NA , 3 ) 
b <- c( 1 , NA , 4 )
# Here I''d want   TRUE TRUE FALSE
a == b
# But I get TRUE NA FALSE

a <- c( 1 , NA , 3 ) 
b <- c( 1 , 2 , 4 )
# Here I''d want   TRUE FALSE FALSE
a == b
# But I get TRUE NA FALSE again.

Obtengo el resultado que quiero con:

mapply( `%in%` , a , b )

Pero mapply parece pesado.

¿Hay una solución más intuitiva para esto?

Answer 1

¿Qué hay de usar identical() envuelto en mapply()

a <- c( 1 , 2 , 3 )
b <- c( 1 , 2 , 4 )
mapply(identical,a,b)
#[1]  TRUE  TRUE FALSE

a <- c( 1 , NA , 3 ) 
b <- c( 1 , NA , 4 )
mapply(identical,a,b)
#[1]  TRUE  TRUE FALSE

a <- c( 1 , NA , 3 ) 
b <- c( 1 , 2 , 4 )
mapply(identical,a,b)
#[1]  TRUE FALSE FALSE

Además, si necesita comparar los resultados de los cálculos, podría deshacerse de identical() e ir con isTRUE(all.equal()) como tal

mapply(FUN=function(x,y){isTRUE(all.equal(x,y))}, a, b)

lo que da los mismos resultados, pero puede tratar mejor los problemas de redondeo. Como

a<-.3/3
b<-.1
mapply(FUN=function(x,y){isTRUE(all.equal(x,y))}, a, b)
#[1] TRUE

mapply(identical,a,b)
#[1] FALSE

Creo que este último ejemplo all.equal muchas de las soluciones propuestas, pero cambiar a all.equal lugar de == probablemente funcionaría para todas ellas.

Answer 2

Otra opción, pero ¿es mejor que mapply(''%in%'', a , b) ?

(!is.na(a) & !is.na(b) & a==b) | (is.na(a) & is.na(b))

Siguiendo la sugerencia de @AnthonyDamico, creación del operador "mutt":

"%==%" <- function(a, b) (!is.na(a) & !is.na(b) & a==b) | (is.na(a) & is.na(b))

Edición: o, versión ligeramente diferente y más corta de @Frank (que también es más eficiente)

"%==%" <- function(a, b) (is.na(a) & is.na(b)) | (!is.na(eq <- a==b) & eq)

Con los diferentes ejemplos:

a <- c( 1 , 2 , 3 )
b <- c( 1 , 2 , 4 )
a %==% b
# [1]  TRUE  TRUE FALSE

a <- c( 1 , NA , 3 )
b <- c( 1 , NA , 4 )
a %==% b
# [1]  TRUE  TRUE FALSE

a <- c( 1 , NA , 3 )
b <- c( 1 , 2 , 4 )
a %==% b
#[1]  TRUE FALSE FALSE

a <- c( 1 , NA , 3 )
b <- c( 3 , NA , 1 )
a %==% b
#[1] FALSE  TRUE FALSE

Answer 3

Suponiendo que no tenemos un número relativo grande de NA , la solución vectorizada propuesta desperdicia algunos recursos comparando valores que ya han sido resueltos por a==b .

Por lo general, podemos asumir que las NAs son pocas, por lo que vale la pena calcular a==b primero y luego tratar las NAs separado, a pesar de los pasos adicionales y las variables temporales:

`%==%` <- function(a,b){
  x <- a==b
  na_x <- which(is.na(x))
  x[na_x] <- is.na(a[na_x]) & is.na(b[na_x])
  x
}

Comprobar salida

a <- c( 1 , 2 , 3 )
b <- c( 1 , 2 , 4 )
a %==% b
# [1]  TRUE  TRUE FALSE

a <- c( 1 , NA , 3 ) 
b <- c( 1 , NA , 4 )
a %==% b
# [1]  TRUE  TRUE FALSE

a <- c( 1 , NA , 3 ) 
b <- c( 1 , 2 , 4 )
a %==% b
# [1]  TRUE FALSE FALSE

Puntos de referencia

Estoy reproduciendo a continuación el punto de referencia de @ akrun con las soluciones más rápidas y n = 100.

set.seed(24)
a <- sample(c(1:10, NA), 1e6, replace=TRUE)
b <- sample(c(1:20, NA), 1e6, replace=TRUE)
mm <- function(){
  x <- a==b
  na_x <- which(is.na(x))
  x[na_x] <- is.na(a[na_x]) & is.na(b[na_x])
  x
}
akrun1 <- function() {replace(a, is.na(a), Inf)==replace(b, is.na(b), Inf)}
cathG <- function() {(!is.na(a) & !is.na(b) & a==b) | (is.na(a) & is.na(b))}
docend <- function() {replace(a, which(is.na(a)), Inf)==replace(b, which(is.na(b)), Inf)}

library(microbenchmark)
microbenchmark(mm(),akrun1(),cathG(),docend(),
               unit=''relative'', times=100L)

# Unit: relative
#     expr      min       lq     mean   median       uq       max neval
#     mm() 1.000000 1.000000 1.000000 1.000000 1.000000 1.0000000   100
# akrun1() 1.667242 1.884185 1.815392 1.642581 1.765238 0.9973017   100
#  cathG() 2.447168 2.449597 2.118306 2.201346 2.358105 1.1421577   100
# docend() 1.683817 1.950970 1.756481 1.745400 2.007889 1.2264461   100

Extendiendo ==

Como la pregunta original es realmente encontrar:

la forma más fácil de obtener el signo == R para no devolver nunca NAs

Aquí hay una manera, donde definimos una nueva clase na_comparable . Solo uno de los vectores debe ser de esta clase ya que el otro será obligado a ello.

na_comparable      <- setClass("na_comparable", contains = "numeric")
`==.na_comparable` <- function(a,b){
  x <- unclass(a) == unclass(b) # inefficient but I don''t know how to force the default `==`
  na_x <- which(is.na(x))
  x[na_x] <- is.na(a[na_x]) & is.na(b[na_x])
  x
}

`!=.na_comparable` <- Negate(`==.na_comparable`)

a <- na_comparable(a)
a == b
# [1]  TRUE  TRUE FALSE
b == a
# [1]  TRUE  TRUE FALSE
a != b
# [1] FALSE FALSE  TRUE
b != a
# [1] FALSE FALSE  TRUE

En una cadena dplyr se podría usar convenientemente de esta manera:

data.frame(a=c(1,NA,3),b=c(1,NA,4)) %>%
  mutate(a = na_comparable(a),
         c = a==b,
         d= a!=b)

#    a  b     c     d
# 1  1  1  TRUE FALSE
# 2 NA NA  TRUE FALSE
# 3  3  4 FALSE  TRUE

Con este enfoque, en caso de que necesite actualizar el código para tener en cuenta las NAs que estuvieron ausentes antes, puede configurarlo con una sola llamada na_comparable lugar de transformar sus datos iniciales o reemplazar todos sus == con %==% en la línea.

Answer 4

Tu podrías intentar

replace(a, is.na(a), Inf)==replace(b, is.na(b), Inf)

O una variación más rápida sugerida por @docendo discimus

replace(a, which(is.na(a)), Inf)==replace(b, which(is.na(b)), Inf)

Basado en los diferentes escenarios.

1.

a <- c( 1 , 2 , 3 )
b <- c( 1 , 2 , 4 )
akrun1()
#[1]  TRUE  TRUE FALSE

2.

 a <- c( 1 , NA , 3 ) 
 b <- c( 1 , NA , 4 )
 akrun1()
 #[1]  TRUE  TRUE FALSE

3.

 a <- c( 1 , NA , 3 ) 
 b <- c( 1 , 2 , 4 )
 akrun1()
#[1]  TRUE FALSE FALSE

Puntos de referencia

set.seed(24)
a <- sample(c(1:10, NA), 1e6, replace=TRUE)
b <- sample(c(1:20, NA), 1e6, replace=TRUE)
akrun1 <- function() {replace(a, is.na(a), Inf)==replace(b, is.na(b), Inf)}
cathG <- function() {(!is.na(a) & !is.na(b) & a==b) | (is.na(a) & is.na(b))}
anthony <- function() {mapply(`%in%`, a, b)}
webb <- function() {ifelse(is.na(a),is.na(b),a==b)}
docend <- function() {replace(a, which(is.na(a)), Inf)==replace(b,
       which(is.na(b)), Inf)}

library(microbenchmark)
microbenchmark(akrun1(), cathG(), anthony(), webb(),docend(),
  unit=''relative'', times=20L)
#Unit: relative
#    expr        min         lq       mean     median         uq        max
#  akrun1()   3.050200   3.035625   3.007196   2.963916   2.977490   3.083658
#   cathG()   4.829972   4.893266   4.843585   4.790466   4.816472   4.939316
# anthony() 190.499027 224.389971 215.792965 217.647702 215.503308 212.356051
#    webb()  14.000363  14.366572  15.412527  14.095947  14.671741  19.735746
#  docend()   1.000000   1.000000   1.000000   1.000000   1.000000   1.000000
# neval cld
#    20 a  
#    20 a  
#    20 c
#    20 b 
#    20 a