R 语言 NA：缺失值处理（is.na、na.rm、na.omit）

NA 表示“未知”，而且会扩散

真实的数据集总有空洞：问卷上没填的题目，传感器漏掉的读数。R 用 NA（not available，不可用）表示每一个空洞。关键的思维模型是：NA 不是零，不是空字符串，也不是某个特殊的数字。它的意思是“这里有一个值，但我们不知道它是多少”。

认真对待这一点，R 的行为就变得合乎逻辑了。一个未知的数加一等于多少？未知。4、8 和某个未知数的平均值是多少？未知，因为缺失的值可能是任何数，所以平均值也可能是任何数：

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

三行都打印 NA。这种传染性是特性，而不是 bug：R 拒绝悄悄地假装自己知道一个它并不知道的答案。悄悄跳过空白单元格的电子表格可能会掩盖半列数据都缺失的事实；R 则会迫使你注意到，并决定缺失值对你的分析意味着什么。本文余下的部分，讲的就是如何有意识地做出这个决定。

检测 NA：用 is.na()，永远不要用 ==

这是每个人都会掉进去的第一个陷阱。你想找出缺失值，于是写了一个比较，结果它不起作用：

x <- c(4, NA, 8)

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

x == NA 返回 NA NA NA，一个 TRUE 都没有。为什么？顺着“未知”的逻辑想一想：4 等于某个未知值吗？说不准，那个未知值可能就是 4。就连 NA 所在的位置，比较的结果也是 NA：一个未知值等于另一个未知值吗？未知。与 NA 的比较永远不可能返回 TRUE 或 FALSE，所以拿它做检查毫无用处；更糟的是，在 [ ] 中使用全是 NA 的掩码，选出来的东西也不是你想要的。

正确的工具是 is.na()，它就是为回答这个问题而设计的，会返回诚实的逻辑值：FALSE TRUE FALSE。在此基础上，有两个你会经常用到的惯用法：

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)) 统计缺失值的个数（TRUE 求和时算作 1），拿到新数据集时，先对每一列都运行一遍。which(is.na(x)) 找出它们的位置。而 x[!is.na(x)] 只保留观测到的值：通过逻辑掩码手动删除，和一直以来的向量筛选写法一样。

在汇总中跳过 NA：na.rm = TRUE

你通常不需要手动删除 NA，因为 R 的汇总函数内置了一个出口：na.rm（NA remove，移除 NA）参数：

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))

加上 na.rm = TRUE 后，函数会去掉缺失值，用剩下的值来计算：4 和 8 的平均值是 6。sum()、sd()、median()、min()、max()、var()，整个描述性统计函数家族都接受这个参数。

注意它的默认值是 FALSE。这是 R 在替你坚持立场：它希望忽略缺失数据是你明确写下的选择，而不是一个悄无声息的默认行为。当你写下 na.rm = TRUE 时，你是在声明“这里的缺失值可以放心忽略”。如果传感器只是随机漏掉了几个读数，这是对的；如果是收入最低的人跳过了收入问题，这就是危险的错误。这个参数让你为这个判断负责。

删除不完整的行：na.omit() 与 complete.cases()

在数据框中，缺失值存在于单元格里，但分析往往是逐行进行的，所以常见的操作是删除含有任何 NA 的行：

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) 返回删掉所有至少含有一个 NA 的行之后的数据框，这里只有 Rosa 保留了下来。complete.cases(df) 返回同一思路背后的逻辑行掩码（TRUE FALSE FALSE），用它来索引会得到相同的结果，但有两个优点：你可以先数一数将要丢掉多少行（sum(!complete.cases(df))），还可以限定哪些列才重要：df[complete.cases(df[, "age"]), ] 只删除缺少 age 的行，即使 Mia 的分数未知，她也会被保留。

这种限定列的写法比看上去更重要：对一个很宽的数据框使用 na.omit()，可能会因为那些你根本没打算分析的列中的 NA，悄悄丢掉大部分行。在删除之前，先弄清楚要删掉多少行，以及为什么删。

替换 NA

有时正确的做法是填补空洞，而不是删除行。惯用写法是把 is.na() 和赋值结合起来：

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

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

把它读作：“在 visits 缺失的位置，填上 0。”当 NA 实际上代表一个已知的值时，这样做恰好是合理的：一位没有访问记录的客户，确实就是访问了零次。

但要老实判断什么时候才是这样。如果 NA 的意思是“我们没能测量到”，用 0 替代就是在捏造数据：把缺失的考试分数换成 0，会把平均分拉低，好像那些学生都考了零分一样，而事实上你并不知道他们考了多少。比较一下上面的平均值（2.4）和原始数据用 na.rm 求得的平均值（4）：同样的数据，却得出不同的结论。用平均数或中位数替换造成的扭曲较小，但仍然会低估变异性。规则是：只有当你能用大白话说清楚，为什么缺失的那一项实际上就是这个值时，才去填补它。否则就保留 NA，并使用 na.rm。“未知”往往是数据集中最真实的那个值。

NA、NULL、NaN 与 Inf

R 有四个看起来很像、含义却截然不同的特殊值：

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

在实践中真正重要的区别是：NULL 在向量中会消失（c(1, NULL, 3) 只有两个元素，它无法表示一个缺失的观测值），而 NA 会占住自己的位置。NaN 算作缺失（is.na(NaN) 为 TRUE，所以 na.rm 也会移除它），但反过来不成立：is.nan(NA) 为 FALSE。而 Inf 不是缺失值，它是一个真实的、可以比较的数（Inf > 1e300 为 TRUE），所以 na.rm 不会移除它；要筛选出普通的数，请用 is.finite()。

补充一点：NA 悄悄地分为几种带类型的版本（NA_integer_、NA_real_、NA_character_），这样它就能放进任何向量，而不会破坏“只有一种类型”的规则。你很少需要亲手输入它们，但会在包的代码和 dplyr 的错误信息中看到它们。

要点回顾

• NA 表示“未知”，而未知是会传染的：任何涉及 NA 的计算都会返回 NA，这是有意设计的。
• 用 is.na() 检测，永远不要用 == NA；用 sum(is.na(x)) 统计空洞。
• na.rm = TRUE 让汇总函数跳过 NA：这是在每次调用时明确做出的决定，表示这些缺失值可以忽略。
• na.omit() 整行删除不完整的行；complete.cases() 给你掩码，可以计数，也可以限定在重要的列上。
• 只有当你能说清楚缺失值实际上是什么时，才替换 NA（x[is.na(x)] <- value）。
• NA ≠ NULL ≠ NaN ≠ Inf：分别是缺失值、不存在的对象、无定义的数学运算、无界的数。

下一篇：函数，把你的逻辑打包成可复用、有名字的模块。