R中使用as.h2o导入数据时空值被转为NA，如何区分空值与NA？

我明白你现在的困扰——把R数据导入H2O时，原本的空值和NA全被转成了H2O的NA，根本没法区分对吧？其实这是因为H2O默认的导入逻辑把这两种情况都归为缺失值了，咱们可以通过调整导入参数或者预处理数据来解决，下面是具体方案：

方法1：修改导入参数，精准定义NA范围 #

H2O的as.h2o和h2o.uploadFile都支持na.strings参数，这个参数用来指定哪些字符串会被识别为H2O的NA。默认情况下，它包含了空字符串（""）和"NA"，所以咱们可以修改它，只把R里的"NA"标记为H2O的NA，让空值保留原样：

示例代码： #

library(h2o)
h2o.init()

# 用as.h2o导入时指定na.strings，仅识别"NA"为缺失值
h2o_data <- as.h2o(mydata, na.strings = "NA")

# 如果用CSV中转的方式：
# data.table::fwrite(mydata, "mydata.csv")
# h2o_data <- h2o.uploadFile("mydata.csv", na.strings = "NA")

这样处理后，R里原本的NA会被转成H2O的NA，而原本的空值会保留为空字符串""，之后你可以用h2o.isempty()来筛选这些空值。

方法2：预处理数据，给空值加专属标记 #

如果你担心空字符串在后续处理中容易和其他空内容混淆，可以先在R里把空值替换成一个自定义的专属标记（比如"EMPTY_VALUE"），再导入H2O：

示例代码： #

library(data.table)
library(h2o)
h2o.init()

# 复制原数据避免修改原始内容
mydata_processed <- copy(mydata)

# 遍历字符型列，把空值替换为自定义标记
for (col in names(mydata_processed)[sapply(mydata_processed, is.character)]) {
  set(mydata_processed, i = which(mydata_processed[[col]] == ""), j = col, value = "EMPTY_VALUE")
}

# 导入H2O，此时原NA对应H2O的NA，空值变成"EMPTY_VALUE"
h2o_data <- as.h2o(mydata_processed)

之后你可以用h2o_data$col_name == "EMPTY_VALUE"识别原本的空值，用h2o.isna()识别原本的NA，完全区分开两种情况。

关于NA_h2o的小说明 #

你提到的NA_h2o是H2O内部用来存储缺失值的常量，它不是用来区分空值和NA的标记，只是H2O在内存里表示缺失值的方式，所以没法用它来实现你的需求哦。

内容的提问来源于stack exchange，提问作者Simon R