在R中无NA强制的字符到数字的转换

Question

我在R中工作，有一个带有数字向量的数据表dd_2006。当我第一次导入数据时，我需要从我的3个变量中删除$、小数点和一些空白:SumOfCost、SumOfCases和sumofunits。为此，我使用了str_replace_all。但是，一旦我使用str_replace_all，向量就会转换为字符。因此，我使用as.numeric（var）将向量转换为numeric，但引入了NAs，尽管在运行as.numeric代码之前运行下面的代码时，向量中没有NAs。

sum(is.na(dd_2006$SumOfCost))
[1] 0
sum(is.na(dd_2006$SumOfCases))
[1] 0
sum(is.na(dd_2006$SumOfUnits))
[1] 0

下面是导入后的代码，从向量中删除$开始。在STR(dd_2006)输出中，出于空间考虑，我删除了一些变量，因此下面STR_REPLACE_ALL代码中的列#与我在这里发布的输出不匹配（但在原始代码中是这样）：

library("stringr")
dd_2006$SumOfCost <- str_sub(dd_2006$SumOfCost, 2, ) #2=the first # after the $

#Removes decimal pt, zero's after, and commas
dd_2006[ ,9] <- str_replace_all(dd_2006[ ,9], ".00", "")
dd_2006[,9] <- str_replace_all(dd_2006[,9], ",", "")

dd_2006[ ,10] <- str_replace_all(dd_2006[ ,10], ".00", "")
dd_2006[ ,10] <- str_replace_all(dd_2006[,10], ",", "")

dd_2006[ ,11] <- str_replace_all(dd_2006[ ,11], ".00", "")
dd_2006[,11] <- str_replace_all(dd_2006[,11], ",", "")

str(dd_2006)
'data.frame':   12604 obs. of  14 variables:
 $ CMHSP                     : Factor w/ 46 levels "Allegan","AuSable Valley",..: 1 1 1
 $ FY                        : Factor w/ 1 level "2006": 1 1 1 1 1 1 1 1 1 1 ...
 $ Population                : Factor w/ 1 level "DD": 1 1 1 1 1 1 1 1 1 1 ...
 $ SumOfCases                : chr  "0" "1" "0" "0" ...
 $ SumOfUnits                : chr  "0" "365" "0" "0" ...
 $ SumOfCost                 : chr  "0" "96416" "0" "0" ...

我在这里找到了一个与我类似的问题的响应，使用以下代码：

# create dummy data.frame
d <- data.frame(char = letters[1:5], 
                fake_char = as.character(1:5), 
                fac = factor(1:5), 
                char_fac = factor(letters[1:5]), 
                num = 1:5, stringsAsFactors = FALSE)

让我们看一下data.frame

> d
  char fake_char fac char_fac num
1    a         1   1        a   1
2    b         2   2        b   2
3    c         3   3        c   3
4    d         4   4        d   4
5    e         5   5        e   5

让我们跑吧：

> sapply(d, mode)
       char   fake_char         fac    char_fac         num 
"character" "character"   "numeric"   "numeric"   "numeric" 
> sapply(d, class)
       char   fake_char         fac    char_fac         num 
"character" "character"    "factor"    "factor"   "integer" 

现在你可能会问自己“异常在哪里？”嗯，我在R中遇到了一些非常奇怪的东西，这不是最让人困惑的东西，但它会让你困惑，尤其是当你在睡觉前读到这篇文章时。

> transform(d, char = as.numeric(char))
  char fake_char fac char_fac num
1   NA         1   1        a   1
2   NA         2   2        b   2
3   NA         3   3        c   3
4   NA         4   4        d   4
5   NA         5   5        e   5
Warning message:
In eval(expr, envir, enclos) : NAs introduced by coercion
but if you do same thing on fake_char and char_fac, you'll be lucky, and get away with no NA's:

  char fake_char fac char_fac num
1    a         1   1        1   1
2    b         2   2        2   2
3    c         3   3        3   3
4    d         4   4        4   4
5    e         5   5        5   5

#changing sumofcases, cost, and units to numeric
dd_2006_1 <- transform(dd_2006, SumOfCases = as.numeric(SumOfCases), SumOfUnits = as.numeric(SumOfUnits), SumOfCost = as.numeric(SumOfCost))

> sum(is.na(dd_2006_1$SumOfCost))
[1] 12
> sum(is.na(dd_2006_1$SumOfCases))
[1] 7
> sum(is.na(dd_2006_1$SumOfUnits))
[1] 11

我还使用table(dd_2006$sumofcases)等查看观察结果，看看是否有我在观察结果中遗漏的字符，但没有。关于NAs为什么会出现，以及如何摆脱它们，有什么想法吗？

Answer 1

正如Anando指出的，问题出在你的数据中的某个地方，如果没有一个可复制的例子，我们就不能真正帮助你太多。也就是说，这里有一个代码片段可以帮助您确定数据中导致问题的记录：

test = as.character(c(1,2,3,4,'M'))
v = as.numeric(test) # NAs intorduced by coercion
ix.na = is.na(v)
which(ix.na) # row index of our problem = 5
test[ix.na]  # shows the problematic record, "M"

与其猜测为什么引入NAs，不如取出导致问题的记录并直接/单独地解决它们，直到NAs消失为止。

UPDATE：问题似乎出在对str_replace_all的调用中。我不知道Stringr库，但我认为可以使用gsub完成同样的事情，如下所示：

v2 = c("1.00","2.00","3.00")
gsub("\\.00", "", v2)

[1] "1" "2" "3"

sum(as.numeric(v2)!=as.numeric(gsub("\\.00", "", v2))) # Illustrate that vectors are equivalent.

[1] 0