R在数据科学中的应用，第2版

第 12 章 逻辑向量 逻辑向量

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

导言

在本章中，你将学习处理逻辑向量的工具。逻辑向量是最简单的向量类型，因为每个元素只能是三种可能值中的一种：TRUE逻辑向量是最简单的向量类型，因为每个元素只能是以下三种可能值之一： ，FALSE ，和NA 。在原始数据中发现逻辑向量的情况比较少见，但在几乎所有分析过程中都会创建和处理逻辑向量。

首先，我们将讨论创建逻辑矢量的最常用方法：数字比较。然后，您将了解如何使用布尔代数来组合不同的逻辑矢量，以及一些有用的总结。最后，我们将学习 if_else()和 case_when()这两个有用的函数，它们可以利用逻辑矢量进行有条件的更改。

先决条件

本章将学习的大部分函数都由基本 R 提供，因此我们不需要 tidyverse，但我们仍将加载它，以便使用 mutate(), filter()和朋友来处理数据帧。我们还将继续从 nycflights13::flights数据集中提取示例。

library(tidyverse)
library(nycflights13)

不过，随着我们开始使用更多的工具，并不总能找到完美的真实例子。因此，我们将开始使用 c():

x <- c(1, 2, 3, 5, 7, 11, 13)
x * 2
#> [1]  2  4  6 10 14 22 26

这样就更容易解释单个函数，但代价是更难看出它如何应用于你的数据问题。请记住，我们对自由浮动向量所做的任何操作，都可以用 mutate()等函数对数据帧内的变量进行操作。

df <- tibble(x)
df |> 
  mutate(y = x *  2)
#> # A tibble: 7 × 2
#>       x     y
#>   <dbl> <dbl>
#> 1     1     2
#> 2     2     4
#> 3     3     6
#> 4     5    10
#> 5     7    14
#> 6    11    22
#> # … with 1 more row

比较

创建逻辑向量的常用方法是通过与<,<=,>,>=,!= 和== 进行数字比较。到目前为止，我们主要是在逻辑变量中临时创建逻辑变量。 filter()中临时创建逻辑变量--它们被计算、使用，然后被丢弃。例如，下面的过滤器可以找到所有大致准时到达的白天出发航班：

flights |> 
  filter(dep_time > 600 & dep_time < 2000 & abs(arr_delay) < 20)
#> # A tibble: 172,286 × 19
#>    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
#>   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
#> 1  2013     1     1      601            600         1      844            850
#> 2  2013     1     1      602            610        -8      812            820
#> 3  2013     1     1      602            605        -3      821            805
#> 4  2013     1     1      606            610        -4      858            910
#> 5  2013     1     1      606            610        -4      837            845
#> 6  2013     1     1      607            607         0      858            915
#> # … with 172,280 more rows, and 11 more variables: arr_delay ...