引言
在这一章中，你将学习处理逻辑向量的工具。逻辑向量是最简单的向量类型，因为每个元素只能取三种可能的值之一：TRUE、FALSE 和 NA。在你的原始数据中，逻辑向量相对少见，但在几乎每一次分析过程中，你都会创建和操作它们。
我们将从讨论创建逻辑向量最常见的方法开始：使用数值比较。然后你将学习如何使用布尔代数来组合不同的逻辑向量，以及一些有用的汇总方法。最后，我们会介绍 if_else() 和 case_when()，这两个有用的函数可以借助逻辑向量进行条件变更。
先修知识
随着我们开始介绍更多工具，并不总能找到一个完美的真实示例。因此，我们将开始使用 c() 来虚构一些示例数据：
x <- c(1, 2, 3, 5, 7, 11, 13)x * 2#> [1] 2 4 6 10 14 22 26这会更容易解释各个函数，但代价是更难看出它如何应用到你的数据问题中。只需记住，我们对一个独立向量所做的任何操作，你都可以借助 mutate() 及其相关函数对数据框中的变量进行相同的处理。
library(dplyr)df <- tibble(x)df |> mutate(y = x * 2)
比较
创建逻辑向量的一种非常常见的方法，是使用 <、<=、>、>=、!= 和 == 进行数值比较。到目前为止，我们主要是在 filter() 中临时创建逻辑变量——它们被计算、使用，然后就被丢弃了。例如，下面的 filter() 会找出所有大致准时到达的白天出发航班：
flights |> filter(dep_time > 600 & dep_time < 2000 & abs(arr_delay) < 20)
了解这一点很有用：这是一种快捷方式，而你也可以使用 mutate() 显式创建底层的逻辑变量：
flights |> mutate( daytime = dep_time > 600 & dep_time < 2000, # 判断是否为白天出发：起飞时间在 06:00 到 20:00 之间 approx_ontime = abs(arr_delay) < 20, # 判断是否大致准点：到达延误绝对值小于 20 分钟 .keep = "used" # 只保留本次计算中用到的列 )
这对于更复杂的逻辑尤其有用，因为为中间步骤命名，不仅能让代码更易读，也更容易检查每一步是否都已正确计算。
总的来说，最初的 filter() 等同于：
flights |> mutate( daytime = dep_time > 600 & dep_time < 2000, # 判断是否为白天出发：起飞时间在 06:00 到 20:00 之间 approx_ontime = abs(arr_delay) < 20, # 判断是否大致准点：到达延误绝对值小于 20 分钟 ) |> filter(daytime & approx_ontime) # 筛选出同时满足“白天出发”和“大致准点”的航班
浮点数比较
注意不要对数字使用 ==。例如，看起来这个向量包含数字 1 和 2：
x <- c(1 / 49 * 49, sqrt(2) ^ 2) # 计算两个看似应为 1 和 2 的浮点数表达式，可能因精度问题得到近似值x
但如果你测试它们是否相等，结果会是 FALSE：
x == c(1, 2)
怎么回事？计算机用固定数量的小数位来存储数字，因此无法精确表示 1/49 或 sqrt(2)，后续计算会有非常轻微的偏差。我们可以通过将 digits 参数传给 print() 来查看精确值：
print(x, digits = 16)
既然你已经看到 == 为什么会失效，那该怎么办呢？一个选择是使用 dplyr::near()，它会忽略微小差异：
library(dplyr)near(x, c(1, 2))
缺失值
缺失值表示未知，因此它们具有“传染性”：几乎任何涉及未知值的操作结果也会是未知：
NA > 510 == NA
最令人困惑的结果是这一条：
NA == NA
如果我们人为提供一点更多上下文，就最容易理解为什么这是真的：
# We don't know how old Mary isage_mary <- NA# We don't know how old John isage_john <- NA# Are Mary and John the same age?age_mary == age_john
所以，如果你想找出所有 dep_time 缺失的航班，下面的代码不会起作用，因为 dep_time == NA 会对每一行都返回 NA，而 filter() 会自动丢弃缺失值：
library(nycflights13)flights |> filter(dep_time == NA)
我们需要一个新工具：is.na()。
is.na()
is.na(x) 适用于任何类型的向量，并且会对缺失值返回 TRUE，对其他所有值返回 FALSE：
is.na(c(TRUE, NA, FALSE))is.na(c(1, NA, 3))is.na(c("a", NA, "b"))
我们可以使用 is.na() 找出所有 dep_time 缺失的行：
flights |> filter(is.na(dep_time))
is.na() 也可以在 arrange() 中派上用场。arrange() 通常会把所有缺失值放到最后，但你可以先按 is.na() 排序，从而覆盖这一默认行为：
flights |> filter(month == 1, day == 1) |> arrange(dep_time)
flights |> filter(month == 1, day == 1) |> arrange(desc(is.na(dep_time)), dep_time)
布尔代数
一旦你有了多个逻辑向量，就可以使用布尔代数将它们组合起来。在 R 中，& 表示“与”，| 表示“或”，! 表示“非”，而 xor() 表示异或。例如，df |> filter(!is.na(x)) 会找到所有 x 不缺失的行，而 df |> filter(x < -10 | x > 0) 会找到所有 x 小于 -10 或大于 0 的行。图 12.1 展示了常用布尔运算的示例及其工作方式。
除了 & 和 | 之外，R 还有 && 和 ||。不要在 dplyr 函数中使用它们！它们被称为短路运算符，并且只会返回单个 TRUE 或 FALSE。它们对编程很重要，但不适用于数据科学。
缺失值
布尔代数中缺失值的规则有点难以解释，因为乍一看它们似乎是不一致的：
df <- tibble(x = c(TRUE, FALSE, NA))df |> mutate( and = x & NA, or = x | NA )
要理解这是怎么回事，可以想一想 NA | TRUE（NA 或 TRUE）。逻辑向量中的缺失值表示这个值可能是 TRUE 也可能是 FALSE。TRUE | TRUE 和 FALSE | TRUE 都是 TRUE，因为它们中至少有一个为 TRUE。NA | TRUE 也必须是 TRUE，因为 NA 既可能是 TRUE，也可能是 FALSE。然而，NA | FALSE 是 NA，因为我们不知道 NA 是 TRUE 还是 FALSE。对于 &，类似的推理也适用，只不过这时两个条件都必须满足。因此，NA & TRUE 是 NA，因为 NA 既可能是 TRUE 也可能是 FALSE，而 NA & FALSE 是 FALSE，因为至少有一个条件为 FALSE。
运算顺序
请注意，运算顺序并不像英语那样起作用。看下面这段代码，它用于找出所有在 11 月或 12 月起飞的航班：
flights |> filter(month == 11 | month == 12)
你可能会想像用英语那样来写：“找出所有在 11 月或 12 月起飞的航班。”：
flights |> filter(month == 11 | 12)
这段代码不会报错，但看起来也没有达到预期效果。这是怎么回事？
在这里，R 会先计算 month == 11，生成一个逻辑向量，我们把它叫做 nov。然后它再计算 nov | 12。
当你把数字和逻辑运算符一起使用时，R 会把除了 0 以外的所有数都转换成 TRUE。所以 12 会被当作 TRUE，因此这就等价于 nov | TRUE。
而 nov | TRUE 的结果永远是 TRUE，所以最终会选中每一行。
flights |> mutate( nov = month == 11, final = nov | 12, .keep = "used" )
%in%
避免把 == 和 | 的顺序弄错的一个简单方法是使用 %in%。x %in% y 会返回一个与 x 长度相同的逻辑向量，只要 x 中的某个值出现在 y 中，就会是 TRUE。
1:12 %in% c(1, 5, 11)letters[1:10] %in% c("a", "e", "i", "o", "u")
所以，要找出所有在 11 月和 12 月起飞的航班，我们可以这样写：
flights |> filter(month %in% c(11, 12))
请注意，%in% 对 NA 的处理规则与 == 不同，因为 NA %in% NA 的结果是 TRUE。
c(1, 2, NA) == NAc(1, 2, NA) %in% NA
这可以成为一个有用的快捷写法：
flights |> filter(dep_time %in% c(NA, 0800))
汇总
以下各节将介绍一些用于汇总逻辑向量的有用技巧。除了只适用于逻辑向量的函数外，你还可以使用适用于数值向量的函数。
逻辑汇总
有两个主要的逻辑汇总函数：any() 和 all()。any(x) 相当于 |；如果 x 中存在任何 TRUE，它就会返回 TRUE。all(x) 相当于 &；只有当 x 的所有值都是 TRUE 时，它才会返回 TRUE。和大多数汇总函数一样，你可以通过 na.rm = TRUE 来忽略缺失值。
例如，我们可以使用 all() 和 any() 来判断是否所有航班的起飞延误都不超过一小时，或者是否有航班的到达延误达到了五小时或以上。而使用 group_by() 则可以让我们按天进行这样的分析：
# 按年、月、日分组，汇总每天的航班延误情况flights |> group_by(year, month, day) |> summarize( # 如果当天所有航班的起飞延误都不超过 60 分钟，则为 TRUE all_delayed = all(dep_delay <= 60, na.rm = TRUE), # 如果当天有任一航班的到达延误达到或超过 300 分钟，则为 TRUE any_long_delay = any(arr_delay >= 300, na.rm = TRUE), # 汇总后取消分组 .groups = "drop" )
不过在大多数情况下，any() 和 all() 都有些过于粗略；如果能更详细地了解有多少值为 TRUE 或 FALSE 就好了。这就引出了数值汇总。
逻辑向量的数值汇总
当你在数值上下文中使用逻辑向量时，TRUE 会变成 1，FALSE 会变成 0。这使得 sum() 和 mean() 在处理逻辑向量时非常有用，因为 sum(x) 会给出 TRUE 的个数，而 mean(x) 会给出 TRUE 的比例（因为 mean() 其实就是 sum() 除以 length()）。
这就让我们能够，例如，看到出发延误最多不超过一小时的航班所占比例，以及到达延误达到五小时或以上的航班数量：
flights |> group_by(year, month, day) |> summarize( proportion_delayed = mean(dep_delay <= 60, na.rm = TRUE), count_long_delay = sum(arr_delay >= 300, na.rm = TRUE), .groups = "drop" )
逻辑子集选择
逻辑向量在汇总中的最后一种用途是：你可以用逻辑向量将单个变量筛选为感兴趣的子集。
假设我们想只查看那些确实发生了延误的航班的平均延误时间。一种做法是先筛选出这些航班，然后再计算平均延误时间：
# 按日期分组，筛选出到达延误大于 0 的航班flights |> filter(arr_delay > 0) |> # 按年、月、日分组 group_by(year, month, day) |> # 计算每一天的平均到达延误和航班数量 summarize( behind = mean(arr_delay), n = n(), .groups = "drop" )
这就导致：
# 按年、月、日分组，分别计算：# 1. 仅对到达延误大于 0 的航班求平均延误时间# 2. 仅对到达延误小于 0 的航班求平均提前时间# 3. 每组航班总数flights |> group_by(year, month, day) |> summarize( behind = mean(arr_delay[arr_delay > 0], na.rm = TRUE), ahead = mean(arr_delay[arr_delay < 0], na.rm = TRUE), n = n(), .groups = "drop" )
还要注意组大小的差异：在第一个分组中，n() 表示每天延误的航班数量；而在第二个分组中，n() 表示航班总数。
条件变换
逻辑向量最强大的功能之一是它们可用于条件变换，也就是在条件 x 下做一件事，而在条件 y 下做另一件事。实现这一点有两个重要工具：if_else() 和 case_when()。
if_else()
如果你想在条件为 TRUE 时使用一个值，而在条件为 FALSE 时使用另一个值，可以使用 dplyr::if_else()。你总是会用到 if_else() 的前三个参数。第一个参数 condition 是一个逻辑向量，第二个参数 true 表示条件为真时的输出，第三个参数 false 表示条件为假时的输出。
先从一个简单的例子开始，把一个数值向量标记为“+ve”（正）或“-ve”（负）：
x <- c(-3:3, NA)if_else(x > 0, "+ve", "-ve")
还有一个可选的第四个参数 missing，当输入为 NA 时会使用它：
if_else(x > 0, "+ve", "-ve", "???")
你也可以将向量用于 true 和 false 参数。例如，这使我们能够创建一个 abs() 的最简实现：
if_else(x < 0, -x, x)到目前为止，所有参数都使用了相同的向量，但当然你也可以混合搭配。例如，你可以像这样实现一个简单版本的 coalesce()：
你可能已经注意到上面的标记示例中有一个小问题：零既不是正数，也不是负数。我们可以通过再添加一个 if_else() 来解决这个问题：
if_else(x == 0, "0", if_else(x < 0, "-ve", "+ve"), "???")
这已经有点难读了，而且你可以想象，如果条件更多，情况只会更难读。相反，你可以改用 dplyr::case_when()。
case_when()
dplyr 的 case_when() 受 SQL 的 CASE 语句启发，提供了一种根据不同条件执行不同计算的灵活方式。它有一种特殊的语法，不幸的是，这种语法在 tidyverse 中你几乎不会在别处见到。它接受看起来像 condition ~ output 的成对表达式。condition 必须是一个逻辑向量；当它为 TRUE 时，就会使用 output。
这意味着我们可以按如下方式重现之前嵌套的 if_else()：
x <- c(-3:3, NA)case_when( x == 0 ~ "0", x < 0 ~ "-ve", x > 0 ~ "+ve", is.na(x) ~ "???")
这段代码更多，但也更明确。
为了解释 case_when() 是如何工作的，我们先来看看一些更简单的情况。如果没有任何条件匹配，输出就会得到一个 NA：
case_when( x < 0 ~ "-ve", x > 0 ~ "+ve")
如果你想创建一个“默认”/兜底值，可以使用 .default：
case_when( x < 0 ~ "-ve", x > 0 ~ "+ve", .default = "???")
并且请注意，如果多个条件都匹配，只会使用第一个：
case_when( x > 0 ~ "+ve", x > 2 ~ "big")
就像 if_else() 一样，你可以在 ~ 的两边都使用变量，并且可以根据需要灵活组合变量来解决你的问题。例如，我们可以使用 case_when() 为到达延误提供一些便于人类阅读的标签：
flights |> mutate( status = case_when( is.na(arr_delay) ~ "cancelled", arr_delay < -30 ~ "very early", arr_delay < -15 ~ "early", abs(arr_delay) <= 15 ~ "on time", arr_delay < 60 ~ "late", arr_delay < Inf ~ "very late", ), .keep = "used" )
在编写这种复杂的 case_when() 语句时要小心；我最初的两次尝试混用了 < 和 >，结果总是不小心创建出重叠的条件。
兼容类型
请注意，if_else() 和 case_when() 都要求输出中的类型彼此兼容。如果它们不兼容，你会看到类似这样的错误：
if_else(TRUE, "a", 1)case_when( x < -1 ~ TRUE, x > 0 ~ now())
总体来说，兼容的类型相对较少，因为自动将一种向量类型转换为另一种向量类型是错误的常见来源。以下是最重要的兼容情况：
- 数值向量和逻辑向量是兼容的。
- 字符串和因子是兼容的，因为你可以把因子看作是取值范围受限的字符串。
- 日期和日期时间是兼容的，因为你可以把日期看作日期时间的一种特殊情况。
- NA 在技术上属于逻辑向量，它与任何类型都兼容，因为每种向量都有某种表示缺失值的方式。
我们并不指望你把这些规则都背下来，但随着时间推移，它们会变得很自然。
发表评论