Как эффективно создать переменную из условия на другие проиндексированные переменные? - PullRequest
Новая
       34

Как эффективно создать переменную из условия на другие проиндексированные переменные?

1 голос
/ 06 октября 2019

Давайте посмотрим пример. Для этого у меня есть два наблюдения, повторенные 4 раза: 

> data(anscombe)
> anscombe
   x1 x2 x3 x4    y1   y2    y3    y4
1  10 10 10  8  8.04 9.14  7.46  6.58
2   8  8  8  8  6.95 8.14  6.77  5.76
3  13 13 13  8  7.58 8.74 12.74  7.71
4   9  9  9  8  8.81 8.77  7.11  8.84
5  11 11 11  8  8.33 9.26  7.81  8.47
6  14 14 14  8  9.96 8.10  8.84  7.04
7   6  6  6  8  7.24 6.13  6.08  5.25
8   4  4  4 19  4.26 3.10  5.39 12.50
9  12 12 12  8 10.84 9.13  8.15  5.56
10  7  7  7  8  4.82 7.26  6.42  7.91
11  5  5  5  8  5.68 4.74  5.73  6.89

Если я хочу увидеть, сколько из четырех раз первое наблюдение больше 10, а второе больше 9, у меня есть по крайней мереДва варианта для продолжения:

Сначала измените форму таблицы на длинный формат, суммируйте по группам (в этом примере это как если бы у меня был только идентификатор) и снова измените форму на широкий. Я могу это сделать, но это не кажется мне очень эффективным, и если у меня слишком много столбцов, некоторые проиндексированы, а некоторые нет, коды для преобразования могут быть немного громоздкими.

Во-вторых, я могу сделатьследующее: 

library(dplyr)
library(purrr)
anscombe %>%
  mutate(new_var = rowSums(map_dfc(
    1:4,
    ~ anscombe[[paste0("x",.)]] > 10 & anscombe[[paste0("y",.)]] > 9
  ), na.rm = T)) 

   x1 x2 x3 x4    y1   y2    y3    y4 new_var
1  10 10 10  8  8.04 9.14  7.46  6.58       0
2   8  8  8  8  6.95 8.14  6.77  5.76       0
3  13 13 13  8  7.58 8.74 12.74  7.71       1
4   9  9  9  8  8.81 8.77  7.11  8.84       0
5  11 11 11  8  8.33 9.26  7.81  8.47       1
6  14 14 14  8  9.96 8.10  8.84  7.04       1
7   6  6  6  8  7.24 6.13  6.08  5.25       0
8   4  4  4 19  4.26 3.10  5.39 12.50       1
9  12 12 12  8 10.84 9.13  8.15  5.56       2
10  7  7  7  8  4.82 7.26  6.42  7.91       0
11  5  5  5  8  5.68 4.74  5.73  6.89       0

Отлично! Оно работает. Но, поскольку в моих реальных данных у меня каждый раз гораздо больше наблюдений и условий, я бы хотел сделать строку на anscombe[[paste0("x",.)]] > 10 & anscombe[[paste0("y",.)]] > 9 короче.

Например, с функциями dplyr имя фрейма данных часто может бытьизбегать. Возможно, мне пришлось бы использовать rlang function sym следующим образом: 

!!sym(paste0("x",.)) > 10 & !!sym(paste0("y",.)) > 9

Я пытался, но это не сработало. Возможно, есть какая-то другая функция, кроме map_dfc в dplyr, purrr или в каком-либо другом пакете, которая позволяет сделать это более простым и эффективным способом. У вас есть идея?

Большое спасибо.

Ответы [ 4 ]

4 голосов
/ 06 октября 2019

1) split / map2: Вот вариант с split на основе names набора данных. Здесь мы удаляем цифру в конце из имен, split набор данных в list из data.frames, используя map2, передаем векторные элементы для сравнения reduce и получаем rowSums

library(dplyr)
library(purrr)
library(stringr)
anscombe %>%
    split.default(str_remove(names(.), "\\d+$")) %>%
    map2(.,  c(10, 9),  `>`) %>% 
    reduce(`&`) %>% 
    rowSums %>%
    bind_cols(anscombe, new_var = .)
#   x1 x2 x3 x4    y1   y2    y3    y4 new_var
#1  10 10 10  8  8.04 9.14  7.46  6.58       0
#2   8  8  8  8  6.95 8.14  6.77  5.76       0
#3  13 13 13  8  7.58 8.74 12.74  7.71       1
#4   9  9  9  8  8.81 8.77  7.11  8.84       0
#5  11 11 11  8  8.33 9.26  7.81  8.47       1
#6  14 14 14  8  9.96 8.10  8.84  7.04       1
#7   6  6  6  8  7.24 6.13  6.08  5.25       0
#8   4  4  4 19  4.26 3.10  5.39 12.50       1
#9  12 12 12  8 10.84 9.13  8.15  5.56       2
#10  7  7  7  8  4.82 7.26  6.42  7.91       0
#11  5  5  5  8  5.68 4.74  5.73  6.89       0

2) pivot_longer: Другой вариант - pivot_longer из tidyr, который может принимать несколько наборов столбцов и преобразовывать его в «длинный» формат 

library(dplyr)
library(tidyr) #1.0.0
library(tibble)
anscombe  %>% 
   rownames_to_column('rn') %>% 
   pivot_longer( -rn, names_to = c(".value", "repl"), 
        values_to = c('x', 'y'), names_pattern = '(\\D+)(\\d+)') %>% 
   group_by(rn) %>% 
   summarise(new_var =  sum(x > 10 & y > 9, na.rm = TRUE)) %>%
   arrange(as.integer(rn)) %>%
   select(-rn) %>%
   bind_cols(anscombe, .)
#   x1 x2 x3 x4    y1   y2    y3    y4 new_var
#1  10 10 10  8  8.04 9.14  7.46  6.58       0
#2   8  8  8  8  6.95 8.14  6.77  5.76       0
#3  13 13 13  8  7.58 8.74 12.74  7.71       1
#4   9  9  9  8  8.81 8.77  7.11  8.84       0
#5  11 11 11  8  8.33 9.26  7.81  8.47       1
#6  14 14 14  8  9.96 8.10  8.84  7.04       1
#7   6  6  6  8  7.24 6.13  6.08  5.25       0
#8   4  4  4 19  4.26 3.10  5.39 12.50       1
#9  12 12 12  8 10.84 9.13  8.15  5.56       2
#10  7  7  7  8  4.82 7.26  6.42  7.91       0
#11  5  5  5  8  5.68 4.74  5.73  6.89       0

3) основание R: (аналогично логике, использованной для первого метода). Это сделало бы его автоматическим, поскольку мы можем split данные в куски на основе сходства префикса 

anscombe$new_var <- rowSums(Reduce(`&`, Map(`>`, 
  split.default(anscombe, sub("\\d+$", "", names(anscombe))), c(10, 9))))

4) уникальный префикс подстроки: или другой вариант, который использует префикссопоставление выполняется в цикле по уникальному префиксу подстроки (будет медленнее, чем split), а затем применяется 

rowSums(Reduce(`&`, Map(`>`, lapply(unique(sub("\\d+$", "", 
        names(anscombe))), function(nm)
           anscombe[grep(nm, names(anscombe))]), c(10, 9))))
 #[1] 0 0 1 0 1 1 0 1 2 0 0
2 голосов
/ 06 октября 2019

Почему бы не просто 

rowSums(anscombe[1:4] > 10 & anscombe[5:8] > 9)
# [1] 0 0 1 0 1 1 0 1 2 0 0

или 

rowSums(anscombe[grep("^x", names(anscombe))] > 10 & 
          anscombe[grep("^y", names(anscombe))] > 9)
# [1] 0 0 1 0 1 1 0 1 2 0 0
2 голосов
/ 06 октября 2019

Вы можете попробовать pmap в purrr, чтобы перебрать кадр данных построчно 

library(dplyr)
library(purrr)
library(stringr)


new_var <- pmap_dbl(anscombe, function(...){
    row <- unlist(list(...))
    x <- row[str_subset(names(row),"^x")]
    y <- row[str_subset(names(row),"^y")]
    sum((x > 10) & (y > 9))
})


anscombe[,"new_var"] <- new_var

> anscombe
   x1 x2 x3 x4    y1   y2    y3    y4 new_var
1  10 10 10  8  8.04 9.14  7.46  6.58       0
2   8  8  8  8  6.95 8.14  6.77  5.76       0
3  13 13 13  8  7.58 8.74 12.74  7.71       1
4   9  9  9  8  8.81 8.77  7.11  8.84       0
5  11 11 11  8  8.33 9.26  7.81  8.47       1
6  14 14 14  8  9.96 8.10  8.84  7.04       1
7   6  6  6  8  7.24 6.13  6.08  5.25       0
8   4  4  4 19  4.26 3.10  5.39 12.50       1
9  12 12 12  8 10.84 9.13  8.15  5.56       2
10  7  7  7  8  4.82 7.26  6.42  7.91       0
11  5  5  5  8  5.68 4.74  5.73  6.89       0
0 голосов
/ 08 октября 2019

Мне сказали в github другой вариант, аналогичный моим попыткам: 

library(dplyr)
library(purrr)
anscombe %>%
  mutate(new_var = rowSums(map_dfc(
    1:4,
    ~ get(paste0("x",.)) > 10 & get(paste0("y",.)) > 9
  ), na.rm = T))

, который не доставляет мне проблем независимо от формата данных (будь то Date или что-то еще), позволяет гибко записыватьукоротите сценарий, и он интуитивно понятен.

Добро пожаловать на сайт PullRequest, где вы можете задавать вопросы и получать ответы от других членов сообщества.

Похожие темы

...