Question

我的数据框如下所示：

x1 <- c("a", "c", "f", "j")
x2 <- c("b", "c", "g", "k")
x3 <- c("b", "d", "h", NA)
x4 <- c("a", "e", "i", NA)
df <- data.frame(x1, x2, x3, x4, stringsAsFactors=F)

df

x1 x2   x3   x4
1  a  b    b    a
2  c  c    d    e
3  f  g    h    i
4  j  k <NA> <NA>

现在我有一个任意的矢量：

vec <- c("a", "i", "s", "t", "z")

我想将矢量值与数据框中的每一行进行比较，并创建一个额外的列，指示是否至少找到了一个矢量值。

结果数据框应如下所示：

  x1 x2   x3   x4 valueFound
1  a  b    b    a          1
2  c  c    d    e          0
3  f  g    h    i          1
4  j  k <NA> <NA>          0

我想在没有循环的情况下这样做。非常感谢您的支持！

拉米

Answer 1

这比基于apply的解决方案更快（尽管它有神秘的构造）：

as.numeric(rowSums(`dim<-`(as.matrix(df) %in% vec, dim(df))) >= 1)
[1] 1 0 1 0

更新 - 一些基准测试

在这里，我们可以组成一些更大的数据进行测试....这些基准测试是在100k行上。

set.seed(1)
nrow <- 100000
ncol <- 10
vec <- c("a", "i", "s", "t", "z")
df <- data.frame(matrix(sample(c(letters, NA), nrow * ncol, TRUE),
                        nrow = nrow, ncol = ncol), stringsAsFactors = FALSE)

以下是我们目前采用的方法：

AM <- function() as.numeric(rowSums(`dim<-`(as.matrix(df) %in% vec, dim(df))) >= 1)
NR1 <- function() {
  apply(df,1,function(x){
    if(any(x %in% vec)){ 
      1 
    } else {
      0
    }
  })
}
NR2 <- function() apply(df, 1, function(x) any(x %in% vec) + 0)
NR3 <- function() apply(df, 1, function(x) as.numeric(any(x %in% vec)))
NR4 <- function() apply(df, 1, function(x) any(x %in% vec) %/% TRUE)
NR5 <- function() apply(df, 1, function(x) cumprod(any(x %in% vec)))
RS1 <- function() as.numeric(grepl(paste(vec, collapse="|"), do.call(paste, df)))
RS2 <- function() as.numeric(seq(nrow(df)) %in% row(df)[unlist(df) %in% vec])

我怀疑NR功能会慢一点：

system.time(NR1()) # Other NR functions are about the same
#    user  system elapsed 
#   1.172   0.000   1.196

同样，理查德的第二种方法是：

system.time(RS2())
#    user  system elapsed 
#   0.918   0.000   0.932

grepl和此rowSum函数留给基准测试：

library(microbenchmark)
microbenchmark(AM(), RS1())
# Unit: milliseconds
#   expr       min       lq      mean    median       uq      max neval
#   AM()  65.75296  67.2527  92.03043  84.58111 102.3199 234.6114   100
#  RS1() 253.57360 256.6148 266.89640 260.18038 264.1531 385.6525   100

Answer 2

这是实现此目的的一种方法：

df$valueFound <- apply(df,1,function(x){
  if(any(x %in% vec)){ 
    1 
  } else {
    0
  }
})
##
> df
  x1 x2   x3   x4 valueFound
1  a  b    b    a          1
2  c  c    d    e          0
3  f  g    h    i          1
4  j  k <NA> <NA>          0

感谢@David Arenburg和@CathG提供了一些更简洁的方法：

apply(df, 1, function(x) any(x %in% vec) + 0)
apply(df, 1, function(x) as.numeric(any(x %in% vec)))

只是为了好玩，还有其他一些有趣的变种：

apply(df, 1, function(x) any(x %in% vec) %/% TRUE)
apply(df, 1, function(x) cumprod(any(x %in% vec)))

Answer 3

由于您不想要循环，因此您可以获得广告素材并按行将列粘贴在一起，然后使用grepl将其与vec进行比较

> as.numeric(grepl(paste(vec, collapse="|"), do.call(paste, df)))
[1] 1 0 1 0

这是第二个选项，用于将行与未列出的数据框进行比较

> as.numeric(seq(nrow(df)) %in% row(df)[unlist(df) %in% vec])
[1] 1 0 1 0

Answer 4

作为另一个想法，试图保留并操作＆＃34;列表＆＃34; ＆＃34; data.frame＆＃34;的结构而不是将其转换为原子（即sapply，as.matrix，do.call(_bind, ...)等）可能是有效的。在这种情况下，我们可以使用类似的东西：

as.numeric(Reduce("|", lapply(df, function(x) x %in% vec)))
#[1] 1 0 1 0

与迄今为止最快的Ananda Mahto（使用更大的＆＃34; df＆＃34;）进行比较：

AL = function() as.numeric(Reduce("|", lapply(df, function(x) x %in% vec)))
AM = function() as.numeric(rowSums(`dim<-`(as.matrix(df) %in% vec, dim(df))) >= 1)
identical(AM(), AL())
#[1] TRUE
microbenchmark::microbenchmark(AM(), AL(), times = 50)
#Unit: milliseconds
# expr      min       lq   median       uq      max neval
# AM() 49.20072 53.53789 58.03740 66.76898 86.04280    50
# AL() 45.24706 49.34271 51.43577 55.05866 74.79533    50

没有出现任何明显的效率提升，但是，我想，值得注意的是，2个循环（Reduce和lapply）并未证明是可能会慢 - 可能 - 预期。

逐行搜索和查找数据帧的值

4 个答案:

更新 - 一些基准测试