Question

我试图在遇到该列的最大值后，在符合特定条件的数据框中按列查找观察数。

以下是一个高度简化的示例：

fake.dat<-data.frame(samp1=c(5,6,7,5,4,5,10,5,6,7), samp2=c(2,3,4,6,7,9,2,3,7,8), samp3=c(2,3,4,11,7,9,2,3,7,8),samp4=c(5,6,7,5,4,12,10,5,6,7))

       samp1 samp2 samp3 samp4
1      5     2     2     5
2      6     3     3     6
3      7     4     4     7
4      5     6    11     5
5      4     7     7     4
6      5     9     9    12
7     10     2     2    10
8      5     3     3     5
9      6     7     7     6
10     7     8     8     7

所以，让我们说在排除列中的所有观察结果（包括列的最大值的行）后，我试图找到每列大于5的观察数量发生。

预期结果：

samp1 samp2 samp3 samp4 
   2     2     4    3

我可以通过使用嵌套for loops来排除我不想要的观察结果，从而得到我想要的答案。

newfake.dat<-data.frame()

for(j in 1:length(fake.dat)){
for(i in 1:nrow(fake.dat)){
    ifelse(i>max.row[j],newfake.dat[i,j]<-fake.dat[i,j],"NA")
print(newfake.dat)
}}

这会创建一个新的数据框，我可以在其上运行简单的apply函数。

colcount<-apply(newfake.dat,2,function(x) (sum(x>5,na.rm=TRUE)))

   V1 V2 V3 V4
1  NA NA NA NA
2  NA NA NA NA
3  NA NA NA NA
4  NA NA NA NA
5  NA NA  7 NA
6  NA NA  9 NA
7  NA  2  2 10
8   5  3  3  5
9   6  7  7  6
10  7  8  8  7

V1 V2 V3 V4 
 2  2  4  3

对于这个微小的示例数据集来说，这一切都很好，但是对于接近我的真实数据集大小的任何东西来说都非常慢。哪个大（2000 x 2000或更大）和众多。我用我的一个文件的截断版本（较少的列，但行数相同）尝试了它并且它运行了至少5个小时（当我离开工作时我离开了它）。另外，除了能够运行应用功能之外，我不需要新数据帧。

有没有办法更有效地做到这一点？我尝试使用apply和最大行号来限制seq函数的行。

maxrow<-apply(fake.dat,2,function(x) which.max(x))
print(maxrow)

seq.att<-apply(fake.dat,2,function(x) {
    sum(x[which(seq(1,nrow(fake.dat))==(maxrow)):nrow(fake.dat)]>5,na.rm=TRUE)})

这会引发此警告消息的四个实例：

1: In seq(1, nrow(fake.dat)) == (maxrow) :
  longer object length is not a multiple of shorter object length

如果我忽略了警告信息并获得了输出，那么它并没有给我我预期的答案：

samp1 samp2 samp3 samp4 
    2     3     3     3

我还尝试使用while函数来保持循环，所以我停止了它（我放错了我为此尝试的代码）。

到目前为止，最有希望的结果来自嵌套for loops，但我知道它非常低效，我希望有更好的方法。我还是R的新手，我确定我会在某处篡改某些语法。提前感谢您提供的任何帮助！

Answer 1

以下是dplyr复制您使用base R

显示的相同流程的方法

library(dplyr)
fake.dat %>% 
        summarise_each(funs(sum(.[(which.max(.)+1):n()]>5,
                na.rm=TRUE)))
#   samp1 samp2 samp3 samp4
#1     2     2     4     3

如果您需要两个步骤：

datNA <- fake.dat %>% 
               mutate_each(funs(replace(., seq_len(which.max(.)), NA)))

datNA %>% 
      summarise_each(funs(sum(.>5, na.rm=TRUE)))

Answer 2

以下是使用data.table的一种方法：

library(data.table)
##
data <- data.frame(
  samp1=c(5,6,7,5,4,5,10,5,6,7), 
  samp2=c(2,3,4,6,7,9,2,3,7,8), 
  samp3=c(2,3,4,11,7,9,2,3,7,8),
  samp4=c(5,6,7,5,4,12,10,5,6,7))
##
Dt <- data.table(data)
##
R> Dt[,lapply(.SD,function(x){
    y <- x[(which.max(x)+1):.N]
    length(y[y>5])
  })
   samp1 samp2 samp3 samp4
1:     2     2     4     3

Answer 3

base R中的单线：

vapply(fake.dat,function(x) sum(x[(which.max(x)+1):length(x)]>5),1L)
#samp1 samp2 samp3 samp4 
#    2     2     4     3

[R]：根据条件行位置将函数应用于列

3 个答案: