3.4 Boolean & Filter Logic

คุณ filter “นักเรียนที่ active” — ได้ 80 คน จากทั้งหมด 100 คน แปลว่ามี 20 คนที่ไม่ active ใช่ไหม? ไม่จำเป็น — อาจมีบางคนที่สถานะเป็น “ไม่ทราบ”

Boolean: แค่ TRUE กับ FALSE?

ในโลกสมบูรณ์แบบ boolean มี 2 ค่า: TRUE กับ FALSE แต่ในโลกจริงมี ค่าที่ 3: ไม่ทราบ (unknown / NULL / NaN / empty cell)

นี่คือ Kleene logic (three-valued logic):

A	B	A AND B	A OR B
TRUE	TRUE	TRUE	TRUE
TRUE	FALSE	FALSE	TRUE
TRUE	NULL	NULL	TRUE
FALSE	NULL	FALSE	NULL
NULL	NULL	NULL	NULL

ผลกระทบต่อ Filtering

filter ด้วย active = TRUE ได้ 80 rows — แต่ “ไม่ active” จริงๆ แค่ 15 คน ที่เหลือ 5 คน ไม่ทราบสถานะ — หายไปเงียบๆ

ลองทำ

สร้างข้อมูลในเซลล์ A1:B6:

name	active
Alice	TRUE
Bob	FALSE
Carol	TRUE
Dave
Eve	TRUE

ลองใช้ FILTER:

=FILTER(A2:A6, B2:B6=TRUE)     → Alice, Carol, Eve (3 คน)
=FILTER(A2:A6, B2:B6=FALSE)    → Bob (1 คน)

3 + 1 = 4 — แต่มี 5 คน! Dave หายไปไหน?

=COUNTBLANK(B2:B6)              → 1 (Dave!)
=COUNTIF(B2:B6, TRUE) + COUNTIF(B2:B6, FALSE) + COUNTBLANK(B2:B6)
→ 5 (ครบ!)

ต้องนับ blank แยกเสมอ ถ้าอยากได้ภาพเต็ม

#include <stdio.h>

// C ไม่มี boolean type แท้ — ใช้ int: 0=false, 1=true
// C ไม่มี NULL สำหรับ boolean — ต้องจำลองเอง

#define UNKNOWN -1
#define FALSE_VAL 0
#define TRUE_VAL 1

int kleene_and(int a, int b) {
    if (a == FALSE_VAL || b == FALSE_VAL) return FALSE_VAL;
    if (a == UNKNOWN  || b == UNKNOWN)  return UNKNOWN;
    return TRUE_VAL;
}

int main() {
    printf("TRUE  AND NULL = %d\n", kleene_and(TRUE_VAL, UNKNOWN));
    // -1 (UNKNOWN) — ไม่ใช่ TRUE!

    printf("FALSE AND NULL = %d\n", kleene_and(FALSE_VAL, UNKNOWN));
    // 0 (FALSE) — ถูกต้อง เพราะ FALSE AND อะไรก็ FALSE

    // ในงานจริง C ไม่มี NULL สำหรับ scalar
    // แต่ logic นี้คือ DNA ของ SQL NULL behavior
    return 0;
}

import pandas as pd
import numpy as np

df = pd.DataFrame({
    "name":   ["Alice", "Bob", "Carol", "Dave", "Eve"],
    "active": [True, False, True, None, True]
})

# filter: เอาเฉพาะ active
active = df[df["active"] == True]
print(active)
#     name  active
# 0  Alice    True
# 2  Carol    True
# 4    Eve    True
# → 3 คน

not_active = df[df["active"] == False]
print(not_active)
#   name  active
# 1  Bob   False
# → 1 คน

# 3 + 1 = 4 ≠ 5 — Dave หายไป!
print(f"Total: {len(active) + len(not_active)} ≠ {len(df)}")

# หา missing
unknown = df[df["active"].isna()]
print(unknown)
#    name active
# 3  Dave   None
# → Dave!

# วิธีที่ปลอดภัย: ใช้ .fillna() ก่อน filter
df["active_clean"] = df["active"].fillna(False)
# ตอนนี้ Dave = False (ตัดสินใจชัดเจนว่า missing = ไม่ active)

CREATE TABLE students (
    name   VARCHAR(50),
    active BOOLEAN
);

INSERT INTO students VALUES ('Alice', TRUE);
INSERT INTO students VALUES ('Bob',   FALSE);
INSERT INTO students VALUES ('Carol', TRUE);
INSERT INTO students VALUES ('Dave',  NULL);
INSERT INTO students VALUES ('Eve',   TRUE);

-- filter: เอาเฉพาะ active
SELECT * FROM students WHERE active = TRUE;
-- Alice, Carol, Eve (3 คน)

SELECT * FROM students WHERE active = FALSE;
-- Bob (1 คน)

-- 3 + 1 = 4 ≠ 5 — Dave หายไป!

-- เพราะ NULL = TRUE → NULL (ไม่ใช่ TRUE → ถูกตัดออก)
-- เพราะ NULL = FALSE → NULL (ไม่ใช่ TRUE → ถูกตัดออกเหมือนกัน!)

-- หา rows ที่ missing
SELECT * FROM students WHERE active IS NULL;
-- Dave!

-- วิธีที่ปลอดภัย: ใช้ COALESCE
SELECT * FROM students WHERE COALESCE(active, FALSE) = TRUE;
-- ตอนนี้ Dave ถูก treat เป็น FALSE อย่างชัดเจน

-- หรือรวม NULL เข้ามา
SELECT * FROM students WHERE active IS TRUE OR active IS NULL;
-- Alice, Carol, Dave, Eve (4 คน — ถ้าอยากนับ unknown ด้วย)

กฎ 3 ข้อสำหรับ Boolean + NULL

นับเสมอ: ก่อน filter ให้นับ missing ก่อน — COUNTBLANK, .isna().sum(), COUNT(*) WHERE x IS NULL
ตัดสินใจ: missing ควรถือเป็น TRUE หรือ FALSE? ใช้ COALESCE / fillna ตัดสินใจให้ชัด
ตรวจสอบ: filter TRUE + filter FALSE + filter NULL ต้องเท่ากับ total rows เสมอ