Question

我有一个大数据集，其格式类似于以下内容：

names <- c('s1','s2','s3', 's4', 's5','s6', 's7', 's8','s9')
metals <- c(4.2, 5.3, 5.4,6, 7,8.5,0, 10.1,11)
plastics <- c(5.1, 0, 2.4,6.1, 7.7,5.5,1.99, 0 ,2.5)
grade<- c("AA", "AB", "AB", "AB", "AC" , "AB", NA , NA, NA)
my_df <- data.frame(names, metals, plastics, grade )

我需要重新编码每一列对于数字列，我需要指定1，其中值大于0，对于“等级”列，我们假设我想要AA = 1，AB = 2，AC = 3。最有效的方法是什么？

谢谢！

Answer 1

与R一样，即使是最简单的任务，也有一百万种方法可以完成。还有两个：

numvars <- sapply(my_df, is.numeric)
my_df[numvars] <- lapply(my_df[numvars], findInterval, 1)


my_df$grade <- c(2,1,3)[match(my_df$grade, c("AB","AA","AC"))]
               #newvals                    #oldvals

#  names metals plastics grade
#1    s1      1        1     1
#2    s2      1        0     2
#3    s3      1        1     2
#4    s4      1        1     2
#5    s5      1        1     3
#6    s6      1        1     2
#7    s7      0        1    NA
#8    s8      1        0    NA
#9    s9      1        1    NA

Answer 2

不确定这个是否最有效，但我们可以在recode包中使用car作为字符列。

my_df$metals <- ifelse (my_df$metals > 0, 1 , 0)

my_df$plastics <- ifelse (my_df$plastics > 0, 1 , 0)

library(car)
my_df$grade<-recode(my_df$grade, "'AA'=1; 'AB'='2'; 'AC'='3'")

输出

names metals plastics grade
1    s1      1        1     1
2    s2      1        0     2
3    s3      1        1     2
4    s4      1        1     2
5    s5      1        1     3
6    s6      1        1     2
7    s7      0        1  <NA>
8    s8      1        0  <NA>
9    s9      1        1  <NA>

Answer 3

将apply用于数字列，将match用于字符列

根据@ thelatemail的评论

编辑以避免中间矩阵强制

my_df[,sapply(my_df,is.numeric)] = lapply(my_df[,sapply(my_df,is.numeric)],function(x) ifelse(x>0,1,0))

my_df$grade = match(my_df$grade,c("AA","AB","AC"))

my_df
#  names metals plastics grade
#1    s1      1        1     1
#2    s2      1        0     2
#3    s3      1        1     2
#4    s4      1        1     2
#5    s5      1        1     3
#6    s6      1        1     2
#7    s7      0        1    NA
#8    s8      1        0    NA
#9    s9      1        1    NA

很快就会有其他使用data.table，dplyr的解决方案。您可以使用microbenchmark选择最佳解决方案

Answer 4

关于@ MFR的回答，这里有两种方法：

NumColsToReplace = c("metals", "plastics")
my_df[NumColsToReplace] = ifelse(my_df[NumColsToReplace] > 0, 1, 0)

这允许您预先指定要替换的列，而无需多次复制第二行。

使用lapply和replace还有另一种更有效的方式：

my_df[NumColsToReplace] = lapply(my_df[NumColsToReplace], 
                                 function(x) replace(x, x>0, 1))

这可能更多打字，但它的速度是第一种方法的两倍（或更多）。以下是一些基准测试：

Unit: microseconds
                                                                   expr      min
 lapply(my_df[NumColsToReplace], function(x) replace(x, x > 0,      1))     23.949
                                  ifelse(my_df[NumColsToReplace] > 0, 1, 0) 59.445
     lq     mean median     uq     max neval
 26.515 29.92362 28.654 30.364  57.306   100
 62.438 68.84436 63.721 73.129 159.515   100

因此，取决于您的数据帧的大小。你想要考虑第二种方法。

levels(my_df$grade) <- c(1,2,3)重新编码@thelatemail提到的等级似乎是效率最高的。

如何根据值重新编码数据集？

4 个答案: