Неожиданные результаты с использованием str_split и union в функции с sapply - PullRequest
Новая
       8

Неожиданные результаты с использованием str_split и union в функции с sapply

0 голосов
/ 26 февраля 2019

Учитывая эти data.frame: 

library(dplyr)
library(stringr)
ml.mat2 <- structure(list(value = c("a", "b", "c"), ground_truth = c("label1, label3", 
"label2", "label1"), predicted = c("label1", "label2,label3", 
"label1")), class = c("tbl_df", "tbl", "data.frame"), row.names = c(NA, 
-3L))

glimpse(ml.mat2)

Observations: 3
Variables: 3
$ value        <chr> "a", "b", "c"
$ ground_truth <chr> "label1, label3", "label2", "label1"
$ predicted    <chr> "label1", "label2,label3", "label1"

Я хочу измерить длину пересечения между ground_truth и predicted для каждой строки после разделенияповторяющиеся метки, основанные на ,.

Другими словами, я ожидал бы результата длины 3 со значениями 2 2 1.

Я написал функцию, чтобы сделать это, но этотолько кажется, что работает за пределами sapply: 

m_fn <- function(x,y) length(union(unlist(sapply(x, str_split,",")), 
                             unlist(sapply(y, str_split,","))))

m_fn(ml.mat2$ground_truth[1], y = ml.mat2$predicted[1])

[1] 2

m_fn(ml.mat2$ground_truth[2], y = ml.mat2$predicted[2])

[1] 2

m_fn(ml.mat2$ground_truth[3], y = ml.mat2$predicted[3])

[1] 1

Вместо того, чтобы перебирать строки набора данных вручную, как это или с помощью цикла, я ожидал бы иметь возможность векторизовать решение с помощью sapply вот так: 

sapply(ml.mat2$ground_truth, m_fn, ml.mat2$predicted)

Однако неожиданные результаты: 

label1, label3         label2         label1 
             4              3              3

1 Ответ

0 голосов
/ 26 февраля 2019

Поскольку вы используете один и тот же размер наблюдения, вы можете сгенерировать индекс номеров строк и запустить его в своем sapply: 

sapply(1:nrow(ml.mat2), function(i) m_fn(x = ml.mat2$ground_truth[i], y = ml.mat2$predicted[i])) 

#[1] 2 2 1

или с помощью seq_len: 

sapply(seq_len(nrow(ml.mat2)), function(i) 
  m_fn(x = ml.mat2$ground_truth[i], y = ml.mat2$predicted[i]))
...