在R中使用case_when与rowSums时行统计结果不匹配问题

问题场景 #

构建含随机缺失值的二进制变量数据框：

set.seed(357)
# 生成二进制变量
var1 <- sample(c(0, 1, NA), 200, replace = TRUE, prob = c(0.4, 0.4, 0.2))
var2 <- sample(c(0, 1, NA), 200, replace = TRUE, prob = c(0.4, 0.5, 0.1))
var3 <- sample(c(0, 1, NA), 200, replace = TRUE, prob = c(0.4, 0.35, 0.25))

# 创建数据框
df <- data.frame(var1, var2, var3)

需求与疑问：

• 生成x1：任意变量为1则x1=1，所有变量为0则x1=0，用case_when实现后，table(df$x1)输出0有11个，1有167个。
• 用rowSums(cbind(var1, var2, var3), na.rm = F)生成x2统计行和，table(df$x2)输出0有11个，1有38个，2有51个，3有13个。但x2中1/2/3的总数（102）与x1中1的数量（167）不匹配；尝试na.rm = TRUE后，连0的数量也不匹配。

核心原因：NA的处理规则差异 #

1. x1的case_when逻辑 #

对应需求的case_when实现代码如下：

library(dplyr)
df <- df %>%
  mutate(x1 = case_when(
    var1 == 1 | var2 == 1 | var3 == 1 ~ 1,
    var1 == 0 & var2 == 0 & var3 == 0 ~ 0
    # 未匹配的情况（存在NA且无1的行）自动设为NA
  ))

这里的规则是：

• 只要行内至少有一个1，不管有没有NA，都标记为1（比如NA,0,1或NA,1,0这类行都会归为1）。
• 只有行内所有变量明确为0（无NA），才标记为0。
• 存在NA且没有1的行（比如0,NA,NA）会被设为NA，不计入table(df$x1)的统计结果。

2. rowSums(na.rm = F)的逻辑 #

rowSums默认na.rm = FALSE，即行内只要有NA，行和直接返回NA。因此：

• x2的1/2/3只统计了完全无NA且行内1的数量为1/2/3的行，也就是无缺失的有效行里有1的情况。
• 那些有NA但包含1的行（比如NA,0,1），行和会是NA，不会被计入table(df$x2)的1/2/3中，这就是x1的1（167）和x2的1+2+3（102）数量差的来源（167-102=65行是有NA但含1的行）。

3. rowSums(na.rm = TRUE)的逻辑 #

当设置na.rm = TRUE时，rowSums会把NA当作0计算，此时：

• 行和为0的情况包括：全0的行，以及有NA但没有1的行（比如NA,NA,0），所以table(df$x2)的0数量会比x1的0多，和x1的0定义完全不同。

哪个结果正确？ #

取决于你的业务需求：

• 如果需要只要有1就标记为1，只有所有变量明确为0才标记为0，那x1的结果是正确的，完全符合你最初的规则。
• 如果需要统计无缺失行内1的个数，那rowSums(na.rm = F)的结果是对的，但它不包含有NA但含1的行。
• 如果需要把NA当作0来计算行和，那用rowSums(na.rm = TRUE)，但此时的0和你最初定义的x1的0不是同一个概念。

内容的提问来源于stack exchange，提问作者esteban