《R for Data Science (2e)》免费中文翻译 (第12章) --- Logical vectors（2）

写在前面

本系列推文为《R for Data Science (2)》的中文翻译版本。所有内容都通过开源免费的方式上传至Github，欢迎大家参与贡献，详细信息见：
Books-zh-cn 项目介绍：
Books-zh-cn：开源免费的中文书籍社区
r4ds-zh-cn Github 地址：
https://github.com/Books-zh-cn/r4ds-zh-cn
r4ds-zh-cn 网站地址：
https://books-zh-cn.github.io/r4ds-zh-cn/

---

目录

• 12.4 汇总

• 12.5 条件转换

• 12.6 总结

12.4 汇总

以下部分将介绍几种用于汇总逻辑向量的实用技巧。 除了专门针对逻辑向量的函数外，您也可以使用适用于数值向量的函数。

12.4.1 逻辑汇总

逻辑向量主要有两种汇总方式：any() 和 all()。any(x) 相当于 |，只要 x 中存在任意 TRUE 就会返回 TRUE。all(x) 相当于 &，只有当 x 中所有值都为 TRUE 时才会返回 TRUE。 与所有汇总函数一样，若存在缺失值它们会返回 NA，而通过设置 na.rm = TRUE 可忽略缺失值。

例如，我们可以用 all() 和 any() 判断是否所有航班的起飞延误都不超过一小时，或者是否存在到达延误五小时以上的航班。 结合 group_by() 还能实现按日统计：

flights |> 
  group_by(year, month, day) |> 
  summarize(
    all_delayed = all(dep_delay <= 60, na.rm = TRUE),
    any_long_delay = any(arr_delay >= 300, na.rm = TRUE),
    .groups = "drop"
  )
#> # A tibble: 365 × 5
#>    year month   day all_delayed any_long_delay
#>   <int> <int> <int> <lgl>       <lgl>         
#> 1  2013     1     1 FALSE       TRUE          
#> 2  2013     1     2 FALSE       TRUE          
#> 3  2013     1     3 FALSE       FALSE         
#> 4  2013     1     4 FALSE       FALSE         
#> 5  2013     1     5 FALSE       TRUE          
#> 6  2013     1     6 FALSE       FALSE         
#> # ℹ 359 more rows

不过在大多数情况下，any() 和 all() 显得过于笼统，我们往往需要更详细地了解 TRUE 和 FALSE 的具体数量。 这就引出了数值型汇总方法。

12.4.2 逻辑向量的数值总结

当在数值型语境中使用逻辑向量时，TRUE 会转换为 1，FALSE 会转换为 0。 这使得 sum() 和 mean() 在处理逻辑向量时特别有用：sum(x) 给出 TRUE 的数量，而 mean(x) 则给出 TRUE 的比例（因为 mean() 就是 sum() 除以 length()）。

例如，通过这种方式，我们可以计算起飞延误不超过一小时的航班比例，以及到达延误五小时以上的航班数量：

flights |> 
  group_by(year, month, day) |> 
  summarize(
    all_delayed = mean(dep_delay <= 60, na.rm = TRUE),
    any_long_delay = sum(arr_delay >= 300, na.rm = TRUE),
    .groups = "drop"
  )
#> # A tibble: 365 × 5
#>    year month   day all_delayed any_long_delay
#>   <int> <int> <int>       <dbl>          <int>
#> 1  2013     1     1       0.939              3
#> 2  2013     1     2       0.914              3
#> 3  2013     1     3       0.941              0
#> 4  2013     1     4       0.953              0
#> 5  2013     1     5       0.964              1
#> 6  2013     1     6       0.959              0
#> # ℹ 359 more rows

12.4.3 逻辑子集

逻辑向量在数据汇总中还有一个最终用途：您可以使用逻辑向量对单个变量进行子集筛选，从而聚焦感兴趣的数据子集。 这里需要用到基础的 [（称为"子集"）操作符，Section 27.2 将对此进行更详细的讲解。

假设我们只想分析实际发生延误的航班的平均延误时间。 一种实现方法是先筛选出延误航班，再计算平均延误：

flights |> 
  filter(arr_delay > 0) |> 
  group_by(year, month, day) |> 
  summarize(
    behind = mean(arr_delay),
    n = n(),
    .groups = "drop"
  )
#> # A tibble: 365 × 5
#>    year month   day behind     n
#>   <int> <int> <int>  <dbl> <int>
#> 1  2013     1     1   32.5   461
#> 2  2013     1     2   32.0   535
#> 3  2013     1     3   27.7   460
#> 4  2013     1     4   28.3   297
#> 5  2013     1     5   22.6   238
#> 6  2013     1     6   24.4   381
#> # ℹ 359 more rows

这种方法虽然可行，但如果我们还想计算提前抵达航班的平均延误时间呢？ 那就需要额外执行一次筛选步骤，再想办法合并两个数据框。 其实您可以直接使用 [ 进行内联筛选：arr_delay[arr_delay > 0] 将仅返回正的到达延误值。

由此可得：

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"
  )
#> # A tibble: 365 × 6
#>    year month   day behind ahead     n
#>   <int> <int> <int>  <dbl> <dbl> <int>
#> 1  2013     1     1   32.5 -12.5   842
#> 2  2013     1     2   32.0 -14.3   943
#> 3  2013     1     3   27.7 -18.2   914
#> 4  2013     1     4   28.3 -17.0   915
#> 5  2013     1     5   22.6 -14.0   720
#> 6  2013     1     6   24.4 -13.6   832
#> # ℹ 359 more rows

还需注意分组规模的差异：第一段代码中 n() 统计的是每日延误航班数；第二段中 n() 统计的则是航班总数。

12.4.4 练习

1. sum(is.na(x)) 会返回什么结果？mean(is.na(x)) 呢？

2. 当对逻辑向量使用 prod() 时返回什么？它等价于哪个逻辑汇总函数？对逻辑向量使用 min() 时返回什么？它等价于哪个逻辑汇总函数？阅读文档并进行一些实验验证。

12.5 条件转换

逻辑向量最强大的功能之一是用于条件转换，即对满足条件 x 的情况执行一种操作，对满足条件 y 的情况执行另一种操作。 这需要用到两个重要函数：if_else() 和 case_when()。

12.5.1 if_else()

当需要为 TRUE 条件返回一个值，为 FALSE 条件返回另一个值时，可以使用 dplyr::if_else()。if_else() 前三个参数是必须的。 第一个参数 condition 是逻辑向量；第二个参数 true 指定条件为真时的返回值；第三个参数 false 指定条件为假时的返回值。

从一个简单示例开始，我们将数字向量标记为"+ve"(正数)或"-ve"(负数)：

x <- c(-3:3, NA)
if_else(x > 0, "+ve", "-ve")
#> [1] "-ve" "-ve" "-ve" "-ve" "+ve" "+ve" "+ve" NA

还有一个可选的第四个参数，missing 用于处理输入为 NA 的情况：

if_else(x > 0, "+ve", "-ve", "???")
#> [1] "-ve" "-ve" "-ve" "-ve" "+ve" "+ve" "+ve" "???"

你还可以为 true 和 false 参数使用向量。 例如，这样可以创建一个最小化的 abs() 实现：

if_else(x < 0, -x, x)
#> [1]  3  2  1  0  1  2  3 NA

目前所有参数都使用了相同的向量，但你当然可以混合搭配。 例如，可以实现一个简单版的 coalesce() 如下：

x1 <- c(NA, 1, 2, NA)
y1 <- c(3, NA, 4, 6)
if_else(is.na(x1), y1, x1)
#> [1] 3 1 2 6

你可能已经注意到我们上面的标签示例有一个小问题：零既不是正数也不是负数。 我们可以通过增加一个额外的 if_else() 来解决这个问题：

if_else(x == 0, "0", if_else(x < 0, "-ve", "+ve"), "???")
#> [1] "-ve" "-ve" "-ve" "0"   "+ve" "+ve" "+ve" "???"

这样的代码已经开始变得难以阅读，若条件增多会更加混乱。 此时可以改用 dplyr::case_when()。

12.5.2 case_when()

dplyr 的 case_when() 借鉴了 SQL 的 CASE 语句，能够灵活地为不同条件执行不同运算。 其特殊语法与 tidyverse 其他函数风格迥异。 它采用 condition ~ output 的配对形式。condition 必须是逻辑向量；当为 TRUE 时，对应的 output 就会被采用。

通过这种方式，我们可以重构之前嵌套的 if_else() 代码如下：

x <- c(-3:3, NA)
case_when(
  x == 0   ~ "0",
  x < 0    ~ "-ve", 
  x > 0    ~ "+ve",
  is.na(x) ~ "???"
)
#> [1] "-ve" "-ve" "-ve" "0"   "+ve" "+ve" "+ve" "???"

虽然代码量增加了，但表达更加清晰明确。

为了说明 case_when() 的工作原理，我们先看几个简单例子。 当所有条件都不匹配时，输出结果会返回 NA：

case_when(
  x < 0 ~ "-ve",
  x > 0 ~ "+ve"
)
#> [1] "-ve" "-ve" "-ve" NA    "+ve" "+ve" "+ve" NA

如果想设置默认值/兜底选项，可在左侧使用 TRUE：

case_when(
  x < 0 ~ "-ve",
  x > 0 ~ "+ve",
  TRUE ~ "???"
)
#> [1] "-ve" "-ve" "-ve" "???" "+ve" "+ve" "+ve" "???"

需注意，若多个条件同时匹配，只会采用第一个匹配项：

case_when(
  x > 0 ~ "+ve",
  x > 2 ~ "big"
)
#> [1] NA    NA    NA    NA    "+ve" "+ve" "+ve" NA

与 if_else() 类似，你可以在 ~ 两侧使用变量，并根据问题需要自由组合变量。 例如，我们可以用 case_when() 为到达延误生成更易懂的标签：

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"
  )
#> # A tibble: 336,776 × 2
#>   arr_delay status 
#>       <dbl> <chr>  
#> 1        11 on time
#> 2        20 late   
#> 3        33 late   
#> 4       -18 early  
#> 5       -25 early  
#> 6        12 on time
#> # ℹ 336,770 more rows

编写这类复杂的 case_when() 语句时需要格外谨慎；我最开始两次尝试混用了 < 和 > 运算符，结果不小心创建了相互重叠的条件判断。

12.5.3 兼容类型

请注意，if_else() 和 case_when() 都要求输出值的类型必须兼容。 如果类型不兼容，就会出现如下错误提示：

if_else(TRUE, "a", 1)
#> Error in `if_else()`:
#> ! Can't combine `true` <character> and `false` <double>.

case_when(
  x < -1 ~ TRUE,  
  x > 0  ~ now()
)
#> Error in `case_when()`:
#> ! Can't combine `..1 (right)` <logical> and `..2 (right)` <datetime<local>>.

总体而言，兼容的类型相对较少，因为自动转换向量类型常会导致错误。 以下是几种最重要的兼容情况：

• 数值型与逻辑型向量兼容，如 Section 12.4.2 所述。

• 字符串与因子兼容（Chapter 16），因为因子本质是具有限定取值范围的字符串

• Dates 与 date-times，我们将在 Chapter 17 讨论，因为 date 是 date-time 的特殊形式

• NA，技术上属于逻辑向量，与所有类型兼容，因为所有向量都有表示缺失值的方式。

这些规则无需死记硬背，随着对 tidyverse 的持续使用会自然掌握，因为它们在整套工具中保持高度一致性。

12.5.4 练习

1. 判断一个数是否为偶数可通过 x %% 2 == 0 实现。 请用此方法结合 if_else() 判断 0 到 20 之间每个数字的奇偶性。

2. 给定日期向量如 x <- c("Monday", "Saturday", "Wednesday")，使用 ifelse() 标注周末或工作日。

3. 用 ifelse() 计算数值向量 x 的绝对值。

4. 编写 case_when() 语句，根据 flights 数据集的 month 和 day 列标注美国主要节日（如元旦、独立日、感恩节、圣诞节）。 先创建逻辑列，TRUE 或 FALSE，再创建字符列，节日名称或 NA。

12.6 总结

逻辑向量的定义很简单，因为每个值只能是 TRUE、FALSE 或 NA。 但逻辑向量却蕴含着巨大能量。 本章我们学习了如何用 >, <, <=, =>, ==, !=, is.na() 创建逻辑向量，如何用 !, &, | 进行组合运算，以及如何用 any(), all(), sum(), mean() 进行汇总。 你还掌握了能根据逻辑向量返回不同值的强大函数 if_else() 和 case_when()。

后续章节我们会反复见到逻辑向量。 例如在 Chapter 14 你将学习 str_detect(x, pattern)，它会对 x 中符合模式的元素返回 TRUE，在 Chapter 17 你将通过日期时间比较生成逻辑向量。 但现在，我们将转向另一种重要向量类型：数值向量。

---

1. R 通常会自动调用 print 函数（即，x 相当于 print(x) 的简写），但如果你想传入其他参数，显式调用会更方便。

2. 也就是说，当 x 为 true 或 y 为 true，但不同时为 true 时，xor(x, y) 返回 true。 这正符合我们日常英语中使用 "or" 的方式。 "Both" 通常不是一个可接受的回答，对于"您想要冰淇淋还是蛋糕？"这个问题。

3. 我们将在 @sec-joins 中详细讲解这一点。

4. dplyr 的 if_else() 与 base R 的 ifelse() 非常相似。if_else() 相比 ifelse() 有两大优势：可以自定义缺失值的处理方式，且在变量类型不兼容时更可能给出有意义的错误提示。

--------------- 本章结束 ---------------

本期翻译贡献：

• @TigerZ生信宝库

注：本文已开启快捷转载，欢迎大家转载，只需标明文章出处即可。