NA no R: Lidando com Valores Ausentes (is.na, na.rm, na.omit)

NA Significa "Desconhecido" - e Ele Se Espalha

Conjuntos de dados reais têm buracos: a pergunta da pesquisa deixada em branco, o sensor que perdeu uma leitura. O R representa cada buraco com NA - not available. O modelo mental crucial: NA não é zero, não é string vazia, não é um número especial. Significa "existe um valor aqui, mas não sabemos qual é."

Leve isso a sério e o comportamento do R fica lógico. Quanto é um número desconhecido mais um? Desconhecido. Qual é a média de 4, 8 e algo desconhecido? Desconhecida - o valor ausente pode ser qualquer coisa, então a média pode ser qualquer coisa:

print(NA + 1)
print(mean(c(4, 8, NA)))
print(sum(c(4, 8, NA)))

Os três imprimem NA. Esse contágio é um recurso, não um bug: o R se recusa a fingir silenciosamente que sabe uma resposta que não sabe. Uma planilha que ignora células em branco silenciosamente pode esconder o fato de que metade de uma coluna está faltando; o R faz você notar e decidir o que os valores ausentes devem significar para a sua análise. O resto deste artigo é sobre tomar essa decisão deliberadamente.

Testando por NA: is.na(), Nunca ==

Aqui está a primeira armadilha em que todo mundo cai. Você quer encontrar os valores ausentes, então escreve uma comparação - e ela não funciona:

x <- c(4, NA, 8)

print(x == NA)
print(is.na(x))

x == NA retorna NA NA NA - nem um único TRUE. Por quê? Siga a lógica do "desconhecido": 4 é igual a algum valor desconhecido? Não dá para dizer - o desconhecido pode ser 4. Até a posição NA compara como NA: um desconhecido é igual a outro? Desconhecido. A comparação com NA nunca pode retornar TRUE ou FALSE, então como teste ela é inútil - e pior, uma máscara toda de NA dentro de [ ] não seleciona o que você espera.

A ferramenta correta é is.na(), construída para responder exatamente essa pergunta e que retorna lógicos honestos: FALSE TRUE FALSE. A partir daí, dois idiomas que você vai usar o tempo todo:

x <- c(4, NA, 8, NA, 15)

print(sum(is.na(x)))
print(which(is.na(x)))
print(x[!is.na(x)])

sum(is.na(x)) conta os valores ausentes (TRUE soma como 1) - rode isso em cada coluna de um conjunto de dados novo antes de qualquer outra coisa. which(is.na(x)) os localiza. E x[!is.na(x)] mantém apenas os valores observados - remoção manual via máscara lógica, o mesmo padrão de filtragem de vetores de sempre.

Ignorando NA em Resumos: na.rm = TRUE

Você normalmente não precisa remover NAs à mão, porque as funções de resumo do R têm uma saída de emergência embutida - o argumento na.rm (NA remove):

x <- c(4, NA, 8)

print(mean(x))
print(mean(x, na.rm = TRUE))
print(sum(x, na.rm = TRUE))
print(max(x, na.rm = TRUE))

Com na.rm = TRUE, a função descarta os valores ausentes e calcula sobre o que restou: a média de 4 e 8 é 6. sum(), sd(), median(), min(), max(), var() - toda a família de estatística descritiva o aceita.

Repare que o padrão é FALSE. É o R sendo opinativo a seu favor: ele quer que ignorar dados ausentes seja uma escolha explícita que você escreve, não um padrão silencioso. Quando você digita na.rm = TRUE, está afirmando "os valores ausentes podem ser ignorados com segurança aqui" - o que é verdade quando um sensor perdeu algumas leituras aleatoriamente, e perigosamente falso quando, digamos, quem ganha menos pulou a pergunta sobre renda. O argumento faz você assumir essa decisão.

Descartando Linhas Incompletas: na.omit() e complete.cases()

Em um data frame, a ausência mora em células, mas a análise costuma trabalhar linha por linha - então a operação comum é descartar linhas que tenham qualquer NA:

df <- data.frame(
  name = c("Rosa", "Ken", "Mia"),
  age = c(30, NA, 26),
  score = c(88, 75, NA)
)

print(na.omit(df))
print(complete.cases(df))
print(df[complete.cases(df), ])

na.omit(df) retorna o data frame menos toda linha contendo ao menos um NA - aqui, só Rosa sobrevive. complete.cases(df) retorna a máscara lógica de linhas (TRUE FALSE FALSE) por trás da mesma ideia, e indexar com ela dá resultados idênticos com duas vantagens: você pode contar antes o que está prestes a perder (sum(!complete.cases(df))) e pode restringir quais colunas importam - df[complete.cases(df[, "age"]), ] descarta apenas as linhas sem age, mantendo Mia mesmo com a nota desconhecida.

Essa forma restrita a colunas importa mais do que parece: na.omit() em um data frame largo pode descartar silenciosamente a maior parte das suas linhas por causa de NAs em colunas que você nunca planejou analisar. Saiba quantas linhas está descartando, e por quê, antes de descartá-las.

Substituindo NA

Às vezes o movimento certo é preencher os buracos em vez de apagar linhas. O idioma combina is.na() com atribuição:

visits <- c(3, NA, 7, NA, 2)

visits[is.na(visits)] <- 0
print(visits)
print(mean(visits))

Leia como: "nas posições em que visits está ausente, coloque 0." Isso é legítimo exatamente quando NA codifica um valor conhecido - um cliente sem registro de visitas genuinamente teve zero visitas.

Mas seja honesto sobre quando isso é verdade. Se NA significa "falhamos em medir", substituir por 0 fabrica dados: trocar notas de prova ausentes por 0 puxa a média para baixo como se aqueles alunos tivessem tirado zero, quando na verdade você não sabe quanto tiraram. Compare a média acima (2.4) com a média com na.rm do original (4): mesmos dados, afirmações diferentes. Substituir pela média ou mediana distorce menos, mas ainda subestima a variabilidade. A regra: impute um valor apenas quando você conseguir dizer, em palavras simples, por que aquele valor é o que a entrada ausente realmente era. Caso contrário, mantenha o NA e use na.rm - "desconhecido" é muitas vezes o valor mais verdadeiro do conjunto de dados.

NA vs NULL vs NaN vs Inf

O R tem quatro valores especiais parecidos que significam coisas genuinamente diferentes:

print(0 / 0)
print(1 / 0)
print(length(NULL))
print(c(1, NULL, 3))
print(is.na(NaN))

Valor	Significado	Comprimento	Origem típica
NA	Um valor existe mas é desconhecido	1 (ocupa uma posição)	Dado ausente
NULL	Nenhum objeto	0 (sem posição)	Elemento de lista apagado, resultado vazio
NaN	Conta com resposta indefinida	1	0 / 0, log(-1)
Inf	Número além do representável	1	1 / 0, overflow

As distinções que importam na prática: NULL desaparece dentro de vetores (c(1, NULL, 3) tem dois elementos - ele não consegue representar uma observação ausente), enquanto NA mantém seu lugar. NaN conta como ausente (is.na(NaN) é TRUE, então na.rm também o remove), mas o inverso é falso - is.nan(NA) é FALSE. E Inf não é ausente - é um número real e comparável (Inf > 1e300 é TRUE), então na.rm não vai removê-lo; use is.finite() para filtrar até os números comuns.

Para completar: NA vem discretamente em variantes tipadas (NA_integer_, NA_real_, NA_character_) para poder ficar em qualquer vetor sem quebrar a regra do tipo único. Você raramente vai digitá-las, mas vai vê-las em código de pacotes e em mensagens de erro do dplyr.

O Que Você Leva Daqui

• NA significa "desconhecido", e desconhecidos são contagiosos: qualquer cálculo que toque NA retorna NA - por design.
• Teste com is.na(), nunca == NA; conte os buracos com sum(is.na(x)).
• na.rm = TRUE faz funções de resumo ignorarem NAs - uma decisão explícita, por chamada, de que os valores ausentes são ignoráveis.
• na.omit() descarta linhas incompletas em bloco; complete.cases() te dá a máscara, contável e restringível às colunas que importam.
• Substitua NA (x[is.na(x)] <- valor) apenas quando você puder justificar o que o valor ausente realmente era.
• NA ≠ NULL ≠ NaN ≠ Inf: valor ausente, objeto inexistente, matemática indefinida, número ilimitado.

A seguir: funções - empacotando sua lógica em pedaços nomeados e reutilizáveis.