Viele Sprachen kennen etwas wie null oder none, um einen nicht existierenden Wert anzugeben.
Da Julia dafür ausgelegt ist, große Mengen (oft unordentlicher) Daten zu verarbeiten, gibt es mehrere Formen des Nichts.
Das übergeordnete Ziel ist, fehlende oder verdächtige Werte zu markieren, sobald sie auftauchen, und dann weiterzumachen, ohne eine Ausnahme auszulösen.
nothing
Wenn ein Wert wirklich nicht existiert, wird er durch nothing dargestellt. Das kommt wohl am ehesten dem nahe, was C (NULL) oder Python (None) tun würden.
julia> n = nothing
julia> isnothing(n)
true
julia> typeof(n)
Nothing
nothing ist also ein Singleton-Wert vom Typ Nothing, und wir können ihn testen.
Eine häufige Verwendung von nothing ist der Rückgabewert (bzw. Nicht-Rückgabewert) für Funktionen, die nur wegen ihrer Seiteneffekte verwendet werden (Ausgabe, Netzwerkkonfiguration oder was auch immer).
missing
Für Situationen, in denen ein Wert theoretisch existiert, wir aber nicht wissen, welcher, verwendet man missing.
Wenn zum Beispiel Fahrzeuge auf einer Straße gezählt werden, brauchen menschliche Beobachter vielleicht eine Pause, oder automatische Sensoren fallen aus, aber der Verkehr fließt weiter.
missing ist also ein Platzhalter, der Menschen darauf hinweist, dass sie entscheiden müssen, wie sie mit dieser Lücke in den Daten umgehen.
julia> mv = [1, 2, missing]
3-element Vector{Union{Missing, Int64}}:
1
2
missing
julia> typeof(mv)
Vector{Union{Missing, Int64}} (alias for Array{Union{Missing, Int64}, 1})
julia> ismissing.(mv) # broadcast function, displays as 1 for true, 0 for false
3-element BitVector:
0
0
1
Nur wenige andere Sprachen haben diese Funktion eingebaut, aber enge Entsprechungen sind NA in R oder NULL in SQL.
Ausdrücke geben standardmäßig missing zurück, wenn missing-Werte vorhanden sind.
Wenn du möchtest, dass diese Werte ignoriert werden, verwende die Funktion skipmissing(), um das ausdrücklich zu machen:
julia> mv = [1, 2, missing]
3-element Vector{Union{Missing, Int64}}:
1
2
missing
julia> sum(mv) # missing in, missing out
missing
julia> skipmissing(mv)
skipmissing(Union{Missing, Int64}[1, 2, missing])
julia> collect(skipmissing(mv))
2-element Vector{Int64}:
1
2
julia> sum(skipmissing(mv)) # functions like sum() can work with iterators
3
Da skipmissing einen Iterator erzeugt, packe ihn in collect(), wenn du einen Vektor brauchst.
Manchmal ist es nützlich, missing-Werte durch einen Standardwert zu ersetzen.
Das Makro @coalesce() ist dafür nützlich, denn es gibt den ersten Nicht-missing-Wert zurück (oder missing, wenn es sonst nichts gibt).
julia> str = ["I", "exist", missing]
3-element Vector{Union{Missing, String}}:
"I"
"exist"
missing
julia> [@coalesce(s, "-") for s in str]
3-element Vector{String}:
"I"
"exist"
"-"
NaN
NaN ist die Abkürzung für „Not a Number“ und markiert ein Berechnungsproblem in Situationen, in denen eine Zahl erwartet wurde.
julia> v = [0, 1, -1]
3-element Vector{Int64}:
0
1
-1
julia> v / 0
3-element Vector{Float64}:
NaN
Inf
-Inf
julia> sum(v / 0)
NaN
Jede Art von Berechnung mit Daten, die ein NaN enthalten, ergibt ein NaN-Ergebnis.
Aktuell gibt es keine spezielle Funktion, um NaN-Werte zu entfernen, aber die Standardfunktion filter() kann das ganz einfach erledigen.
Nur Werte, für die eine gegebene Bedingung true ist, werden in das Ergebnis-Array kopiert:
julia> filter(!isnan, [1, 2, NaN])
2-element Vector{Float64}:
1.0
2.0
Lernübung
