使用 dplyr::group_by() 查找具有 NA 的最短日期

Question

我正在查找一组中的最短日期。很多时候，该组只包含缺少的日期（在这种情况下，我更喜欢分配 NA 之类的内容）。

NA 似乎分配正确，但它们没有像我预期的那样响应 is.na()。 当单元格显示为 NA 时，is.na() 输出意外地为 FALSE。

library(magrittr)
ds_visit <- tibble::tribble(
  ~subject_id,                   ~date,
           1L,  as.Date("2017-01-01" ),
           1L,  as.Date("2017-02-01" ), 

           2L,  as.Date(NA_character_),        
           2L,  as.Date("2017-01-02" ),

           3L,  as.Date(NA_character_),        
           3L,  as.Date(NA_character_),   

           4L,  as.Date(NA_character_),        
           4L,  as.Date(NA_character_)       
)

ds_subject <- ds_visit %>% 
  # as.data.frame() %>% 
  dplyr::group_by(subject_id) %>% 
  dplyr::mutate(
    date_na     = is.na(date),          # Works as expected
    date_min    = min(date, na.rm=T),   # Works as expected

    date_min_na = is.na(date_min)       # Does NOT work as expected.
  ) %>% 
  dplyr::ungroup() # %>% as.data.frame()

ds_visit 看起来是正确的。 ds_subject 在我看来是正确的，除了最后一列。

ds_subject（最后一列的最后四行是意外的。）

# A tibble: 8 x 5
  subject_id date       date_na date_min   date_min_na
       <int> <date>     <lgl>   <date>     <lgl>      
1          1 2017-01-01 F       2017-01-01 F          
2          1 2017-02-01 F       2017-01-01 F          
3          2 NA         T       2017-01-02 F          
4          2 2017-01-02 F       2017-01-02 F          
5          3 NA         T       NA         F         # Should be 'T'?
6          3 NA         T       NA         F         # Should be 'T'?
7          4 NA         T       NA         F         # Should be 'T'?
8          4 NA         T       NA         F         # Should be 'T'?

抖动了好几个维度都没有成功，包括：(a) OS, (b) R版（包括3.4.3 patched）, (c) dplyr & rlang 版本（包括 CRAN 和 GitHub 版本），以及 (d) tibble 与 data.frame。作为临时解决方法（此处未显示），我在找到最小值之前将日期转换为字符，然后转换回日期。

警告消息（由主题 3 和 4 生成）：即使警告消息说返回 Inf，打印时也会出现 NA数据集。（此行为与 min(as.Date(NA), na.rm=T) 一致）。

1: In min.default(c(NA_real_, NA_real_), na.rm = TRUE) :
  no non-missing arguments to min; returning Inf
2: In min.default(c(NA_real_, NA_real_), na.rm = TRUE) :
  no non-missing arguments to min; returning Inf

进一步检查日期列似乎与上面的数据集视图一致。类型是日期，最后四个单元格是 NA，不是无穷大。

> str(ds_subject$date_min)
 Date[1:8], format: "2017-01-01" "2017-01-01" "2017-01-02" "2017-01-02" NA NA NA NA

这是一个错误，还是我误用了什么？生成的是相关 NA 而不是无穷大吗？

编辑 1

下面@eipi10 和@mtoto 的链接帮助我更好地理解。谢谢。我对打印 'NA' 而不是 'Inf' 并不感到兴奋，但我会尽量记住这一点。

针对这种特殊情况，有没有比base::min()更好的功能？

我想要一个可以包含在 dplyr::mutate()/dplyr::summarize() 子句中的函数，它的行为类似于 SQL。（当 summarize() 替换 mutate() 时，最初的 dplyr 示例仍然存在 is.na() 问题）。

例如：

"
  SELECT 
    subject_id,
    MIN(date) AS date_min
    --MIN(date) OVER (PARTITION BY subject_id) AS date_min --`OVER` not supported by sqlite
  FROM ds_visit
  GROUP BY subject_id
" %>% 
  sqldf::sqldf() %>% 
  tibble::as_tibble() %>% 
  dplyr::mutate(
    # date_min_na_1 = is.na(date_min), #Before conversion back to date (from numeric); same result as below.
    date_min      = as.Date(date_min, "1970-01-01"),
    date_min_na   = is.na(date_min)
  )

缺失组的结果 NA 值符合预期 is.na():

# A tibble: 4 x 3
  subject_id date_min   date_min_na
       <int> <date>     <lgl>      
1          1 2017-01-01 F          
2          2 2017-01-02 F          
3          3 NA         T          
4          4 NA         T

编辑 2

我看到这个问题被标记为 R Inf when it has class Date is printing NA 的重复问题。我看到很多重叠（我从那个问题中学到了很多东西，以及它对我的初始代码有何影响），但我相信它们是不同的问题。

这道题涉及分组，当没有非缺失值时返回NA。我对 base::min() 不感兴趣。如上所述，理想情况下，完全避免 base::min() 以支持已建立且经过测试的 function/approach ，其行为更像 SQL.

（尽管我很感谢@alistaire 对 base:min() 的封装，如果已建立的 function/approach 不存在，我将使用它。）

Answer 1

问题是 min 与 na.rm = TRUE 和全部 NA 值 returns Inf（max 等同于 returns -Inf)，但是 print.Date 没有办法显示这些值，所以它将它打印为 NA，即使那不是存储值。

min(NA, na.rm = TRUE)
#> Warning in min(NA, na.rm = TRUE): no non-missing arguments to min;
#> returning Inf
#> [1] Inf

x <- min(as.Date(NA), na.rm = TRUE)
#> Warning in min.default(structure(NA_real_, class = "Date"), na.rm = TRUE):
#> no non-missing arguments to min; returning Inf

x
#> [1] NA

is.na(x)
#> [1] FALSE

x == Inf
#> [1] TRUE

如果你喜欢，你可以重新定义打印方法，让它打印你喜欢的，例如

print.Date <- function(x, ...){
    if(x == Inf | x == -Inf) {
        print(as.numeric(x))
    } else {
        base::print.Date(x, ...)
    }
}

x
#> [1] Inf

要实际获得您想要的结果，请指定如果所有值都为 NA:

应返回的内容

library(tidyverse)

ds_visit <- data_frame(subject_id = c(1L, 1L, 2L, 2L, 3L, 3L, 4L, 4L), 
                       date = as.Date(c("2017-01-01", "2017-02-01", NA, "2017-01-02", NA, NA, NA, NA)))

ds_visit %>% 
    group_by(subject_id) %>% 
    summarise(date_min = if(all(is.na(date))) NA else min(date, na.rm = TRUE), 
              date_min_na = is.na(date_min))
#> # A tibble: 4 x 3
#>   subject_id date_min   date_min_na
#>        <int> <date>     <lgl>      
#> 1          1 2017-01-01 FALSE      
#> 2          2 2017-01-02 FALSE      
#> 3          3 NA         TRUE       
#> 4          4 NA         TRUE

它不是那么简洁，但其行为是完全可以预测的。

使用 dplyr::group_by() 查找具有 NA 的最短日期

Using dplyr::group_by() to find min dates with NAs

r

date

na

dplyr

编辑 1

编辑 2