我想知道以下问题是否在dplyr中有一个优雅的解决方案。
要提供简单的可重现示例,请考虑以下data.frame:
df <- data.frame( a=1:5, b=2:6, c=3:7,
ref=c("a","a","b","b","c"),
stringsAsFactors = FALSE )
此处a
,b
,c
是常规数字变量,而ref
用于引用哪个列是&#34; main&#34;该观察的价值。例如:
a b c ref
1 1 2 3 a
2 2 3 4 a
3 3 4 5 b
4 4 5 6 b
5 5 6 7 c
例如,对于观察3,ref==b
以及列b
包含主值。对于观察1,ref==a
以及列a
包含主值。
拥有此data.frame的问题是使用dplyr为每个观察创建一个main
值的新列。
a b c ref main
1 1 2 3 a 1
2 2 3 4 a 2
3 3 4 5 b 4
4 4 5 6 b 5
5 5 6 7 c 7
我可能需要使用dplyr,因为这一个操作是更长的dplyr %>%
数据转换链的一部分。
答案 0 :(得分:6)
这是一种简单,快捷的方式,可以让您坚持dplyr
链接:
require(data.table)
df %>% setDT %>% .[,main:=get(ref),by=ref]
# a b c ref main
# 1: 1 2 3 a 1
# 2: 2 3 4 a 2
# 3: 3 4 5 b 4
# 4: 4 5 6 b 5
# 5: 5 6 7 c 7
感谢@akrun以最快的方式和基准测试来展示它(请参阅他的回答)。
setDT
修改了df
的类,因此您不必在将来的链中再次转换为data.table
。
转换应该适用于链中的任何未来代码,但dplyr
和data.table
都在积极开发中,因此为了安全起见,可以使用
df %>% data.table %>% .[,main:=get(ref),by=ref]
答案 1 :(得分:5)
我们可以在base R
中使用行/列索引执行此操作。我们使用match
,cbind
获取带有行索引(1:nrow(df)
)的列索引并提取元素。索引速度非常快。
df$main <- df[-4][cbind(1:nrow(df),match(df$ref,names(df)[-4]))]
df
# a b c ref main
#1 1 2 3 a 1
#2 2 3 4 a 2
#3 3 4 5 b 4
#4 4 5 6 b 5
#5 5 6 7 c 7
类似的dplyr
链是
df %>%
`[[<-.data.frame`(.,"main",value=.[-4][
cbind(1:nrow(.),match(.$ref,names(.)[-4]))])
set.seed(24)
df <- data.frame(a= sample(10, 1e6, replace=TRUE), b= sample(20, 1e6,
replace=TRUE), c= sample(40,1e6, replace=TRUE), ref= sample(letters[1:3],
1e6, replace=TRUE), stringsAsFactors=FALSE)
df2 <- copy(df)
df3 <- copy(df)
df4 <- copy(df)
akrun <- function() {df$main <- df[-4][cbind(1:nrow(df),match(df$ref,names(df)[-4]))]}
akrun2 <- function(){setDT(df3)[, main:=get(ref), ref]}
Frank <- function() {df2 %>% data.table %>% .[,main:=.SD[[ref]],by=ref]}
Frank2 <- function() {setDT(df4)[, main:= .SD[[ref]], by =ref]}
MrFlick <- function() {getval <- . %>%
mutate(id=factor(1:n())) %>%
gather(col, val, a:c) %>%
group_by(id) %>%
summarize(val=first(val[col==ref])) %>%
select(val)
df2 %>%
cbind(., getval(.))}
akhmed <- function() {df %>%
group_by(ref) %>%
do({
eval(parse(text=sprintf("main <- .$%s",.$ref[1])))
data.frame(., main = main, stringsAsFactors=FALSE)
}) %>%
ungroup()
}
system.time(akrun())
#user system elapsed
#0.07 0.00 0.07
system.time(akrun2())
#user system elapsed
# 0.018 0.000 0.018
system.time(Frank())
# user system elapsed
# 0.028 0.000 0.028
system.time(Frank2())
# user system elapsed
# 0.018 0.000 0.018
system.time(MrFlick())
# user system elapsed
#42.725 0.066 42.777
system.time(akhmed())
#user system elapsed
# 1.125 0.004 1.169
library(microbenchmark)
microbenchmark(akrun(), akrun2(), Frank(), Frank2(), unit='relative', times=20L)
#Unit: relative
# expr min lq mean median uq max neval cld
# akrun() 3.732126 3.822714 3.768758 3.784908 3.7490118 3.448839 20 c
#akrun2() 1.000000 1.000000 1.000000 1.000000 1.0000000 1.000000 20 a
# Frank() 1.457337 1.455412 1.672008 1.493600 1.6575381 3.697565 20 b
# Frank2() 1.001986 1.005541 1.003171 1.003474 0.9980418 1.013425 20 a
答案 2 :(得分:2)
dplyr mutates一次对整个列进行操作,这种类型的操作本身并不适合。另一种策略可能是使用tidyr
库以长格式制作“整洁”数据然后进行子集化。这是你如何做到的。
library(tidyr)
library(dplyr)
getval <- . %>% mutate(id=factor(1:n())) %>%
gather(col, val, a:c) %>% group_by(id) %>%
summarize(val=first(val[col==ref])) %>% select(val)
df %>% cbind(., getval(.))
这确实假设每个ref值对应于存在的列。
答案 3 :(得分:1)
自我回答:我发现这是一个可能不是最优雅的解决方案,但似乎有效:
library(dplyr)
df2 <- df %>%
group_by(ref) %>%
do({
eval(parse(text=sprintf("main <- .$%s",.$ref[1])))
data.frame(., main = main, stringsAsFactors=FALSE)
}) %>% ungroup()
df2
给了我这个:
a b c ref main
1 1 2 3 a 1
2 2 3 4 a 2
3 3 4 5 b 4
4 4 5 6 b 5
5 5 6 7 c 7
我仍然想知道这是否可以通过一些简单的mutate_
来完成?