Опция base R с использованием aggregate и использованием унарного оператора +
aggregate(. ~ sample_name, data = df, function(x) +(sum(x) > 0))
# sample_name E002.c1 E004.c1 E005.c1 E007.c1
#1 T4456-C 1 0 1 1
#2 T9589-C 1 1 0 0
Это позволяет избежать каких-либо явных условий ifelse.
Пример данных
df <- read.table(text =
"sample_name E002.c1 E004.c1 E005.c1 E007.c1
T4456-C 0 0 0 0
T4456-C 1 0 0 1
T4456-C 1 0 1 1
T9589-C 0 1 0 0
T9589-C 1 1 0 0", header = T)
Анализ микробенчмарков
Ниже приведены результаты microbenchmark анализа всех методов, представленных в этом посте, с использованием большего набора данных, состоящего из N=10^6 строк:
# Generate sample with 10^6 rows
N <- 10^6
df <- data.frame(
sample_name = sample(letters[1:10], N, replace = T),
col1 = sample(c(1, 0), N, replace = T),
col2 = sample(c(1, 0), N, replace = T),
col3 = sample(c(1, 0), N, replace = T),
col4 = sample(c(1, 0), N, replace = T))
# Microbenchmark analysis
library(microbenchmark)
res <- microbenchmark(
tidyverse_ifelse_any = {
df %>% group_by(sample_name) %>% summarise_all(funs(ifelse(any(. == 1), 1, 0)))
},
tidyverse_max = {
df %>% group_by(sample_name) %>% summarise_all(funs(max))
},
tidyverse_any_int_div = {
df %>% group_by(sample_name) %>% summarise_all(funs(any(. %/% 1 == 1)*1))
},
tidyverse_mutate_if_ifelse = {
df %>% group_by(sample_name) %>% summarise_all(sum) %>% mutate_if(is.numeric, funs(if_else(. > 0, 1, 0)))
},
baseR_ifelse_any = {
aggregate(. ~ sample_name, data = df, function(x) ifelse(any(x == 1), 1, 0))
},
baseR_max = {
aggregate(. ~ sample_name, data = df, max)
},
baseR_any_int_div = {
aggregate(. ~ sample_name, data = df, function(x) any(x %/% 1 == 1)*1)
},
baseR_sum_unary_plus = {
aggregate(. ~ sample_name, data = df, function(x) +(sum(x) > 0))
},
datatable_ifelse_any = {
setDT(df)[, lapply(.SD, function(x) ifelse(any(x == 1), 1, 0)), by = sample_name]
},
datatable_any_int_div = {
setDT(df)[, lapply(.SD, function(x) any(x %/% 1 == 1)*1), by = sample_name]
}
)
res
#Unit: milliseconds
# expr min lq mean median
# tidyverse_ifelse_any 79.54145 87.49671 101.44983 96.69517
# tidyverse_max 60.85648 66.54888 75.71105 70.26009
# tidyverse_any_int_div 130.17937 139.99099 158.74449 152.59370
# tidyverse_mutate_if_ifelse 60.63313 66.42935 75.17535 70.19083
# baseR_ifelse_any 933.11576 1070.73916 1157.92271 1121.52533
# baseR_max 895.94086 1046.37304 1121.74497 1097.73445
# baseR_any_int_div 1003.90893 1115.72278 1179.91529 1138.17459
# baseR_sum_unary_plus 903.09797 1049.83542 1127.51391 1099.56222
# datatable_ifelse_any 93.47955 97.21338 111.67774 100.98314
# datatable_any_int_div 157.81882 164.51094 179.08096 173.94033
# uq max neval cld
# 109.08000 259.4346 100 ab
# 80.39179 142.4100 100 a
# 166.56710 349.8669 100 c
# 76.91358 253.4256 100 a
# 1187.60461 1775.9125 100 ef
# 1167.16448 1544.4371 100 d
# 1218.67363 1592.0093 100 f
# 1196.53435 1375.8022 100 de
# 115.57745 282.7197 100 b
# 187.37031 317.1613 100 c
library(ggplot2)
autoplot(res)
Если я не ошибся, я удивлен, что
- решения base R значительно медленнее, чем решения
tidyverse / data.table (в конце концов, код tidyverse обычно не о эффективном коде, а о чистом коде), и
- решения
data.table не намного быстрее, чем решения tidyverse / base R.
