Comportamiento inesperado de la tabla de funciones con valores de "NaN"

Question

Recientemente, me enfrenté a un comportamiento en la función de table que no era el esperado:

Por ejemplo, tomemos el siguiente vector:

ex_vec <- c("Non", "Non", "Nan", "Oui", "NaN", NA)

Si NA valores de NA en mi vector, "NaN" no se considera uno (como se esperaba):

is.na(ex_vec)
# [1] FALSE FALSE FALSE FALSE FALSE  TRUE

Pero si trato de obtener las diferentes frecuencias de valores:

table(ex_vec)
#ex_vec
#Nan Non Oui 
#  1   2   1

"NaN" no aparece en la tabla.

Sin embargo, si "pido" la table para mostrar los valores de NA , obtengo esto:

table(ex_vec, useNA="ifany")
#ex_vec
# Nan  NaN  Non  Oui <NA> 
#   1    1    2    1    1

Por lo tanto, las cadenas de caracteres "NaN" se tratan como un valor de NA dentro de la llamada de la table , mientras que se tratan en la salida como un valor no NA .

Lo sé (sería mejor y) podría resolver mi problema convirtiendo mi vector en un factor pero, sin embargo, realmente me gustaría saber qué está pasando aquí. ¿Alguien tiene alguna idea?

Answer 1

Cuando el factor coincide con los niveles de un vector, convierte su lista de exclude al mismo tipo que el vector de entrada:

exclude <- as.vector(exclude, typeof(x))

así que si tu lista de exclusión tiene NaN y tu vector es un carácter, esto sucede:

as.vector(exclude, typeof(letters))
[1] NA    "NaN"

Oh querido. Ahora las verdaderas cadenas "NaN" serán excluidas.

Para solucionarlo, use exclude=NA en la table (y factor si está haciendo factores que podrían afectar esto).

Me encanta esto en los documentos por factor :

 There are some anomalies associated with factors that have ‘NA’ as
 a level.  It is suggested to use them sparingly, e.g., only for
 tabulation purposes.

Tranquilizando ...

Answer 2

La primera idea que me vino a la mente fue echar un vistazo a la definición de la table que comienza por:

> table
function (..., exclude = if (useNA == "no") c(NA, NaN), useNA = c("no", 
    "ifany", "always"), dnn = list.names(...), deparse.level = 1) 
{

Suena lógico, por defecto la tabla excluye NA y NaN .

Al excavar dentro del código de la tabla, vemos que si x no es un factor, lo obliga a un factor (no hay nada nuevo aquí, se dice en el documento).

    else {
        a <- factor(a, exclude = exclude)

No encontré nada más que pudiera haber afectado la entrada para forzar a "NaN" en los valores de NA .

Por lo tanto, buscar en el factor para obtener el por qué encontramos la causa raíz:

> factor
function (x = character(), levels, labels = levels, exclude = NA, 
    ordered = is.ordered(x), nmax = NA) 
{
 [...] # Snipped for brievety
    exclude <- as.vector(exclude, typeof(x))
    x <- as.character(x)
    levels <- levels[is.na(match(levels, exclude))] # defined in the snipped part above, is the sorted unique values of input vector, coerced to char.
    f <- match(x, levels)
 [...]
    f
}

Aquí lo tenemos, el parámetro de exclusión, incluso siendo valores de NA , se convierte en un vector de caracteres.

Entonces lo que pasa es:

> ex_vec <- c("Non", "Non", "Nan", "Oui", "NaN", NA)
> excludes<-c(NA,NaN)
> as.vector(excludes,"character")
[1] NA    "NaN"
> match(ex_vec,as.vector(excludes,"character"))
[1] NA NA NA NA  2  1

Hacemos coincidir el carácter "NaN" como el vector de exclusión que se ha coaccionado al carácter antes de la comparación.