Question

我正在使用大型数据集，我们可以将其称为data，并希望创建新列，然后根据某些列data$results调用它data$input。结果基于一些条件if / then逻辑，所以我的原始方法类似于：

for (rows in data) {
    data$results <- if(data$results == "1" | data$results== "2") {
        trueAnswer
    } else {
        falseAnswer
    }
}

对于大型数据框架，此过程可能需要几个小时才能运行。但是，如果我将数据子集化为仅包含数据$ results为1或2的条目的数据框以及另一个不为真的数据框，我可以将trueAnswer应用于一个数据帧而将falseAnswer应用于另一个数据帧。然后我可以将数据帧重新绑定在一起。这种方法只需要几分钟。

为什么后一种方法使用子集更快？这是一个将此过程应用于许多不同数据集的情况，因此前一种方法太慢而不实用。我只是想了解导致第一种方法缺乏效率的原因。

Answer 1

始终建议提供fully reproducible & minimal example with sample data。这样我们就可以根据您的样本数据提供具体的帮助。

在很多情况下，R中可以避免使用显式for循环，而是可以使用优化的矢量化操作。例如ifelse就是这样的矢量化函数。

通常dplyr语法是这样的：

library(dplyr);
library(magrittr);
data %>%
    mutate(results = ifelse(input == 1 | input == 2, "1 or 2", "Neither 1 nor 2"))

更新

要了解ifelse如何进行矢量化，请查看?ifelse。

值：

具有相同长度和属性（包括尺寸）的矢量        和'“class”'）作为'test'和来自'yes'值的数据值        或没有'。 [...]

换句话说，如果ifelse计算100个条件，则返回对象的长度为100.

这可能会导致以下意外/意外结果：

ifelse(c(TRUE), c(100, 200), c(300, 400))
#[1] 100

返回对象是c(100, 200)的元素1，因为逻辑条件的长度为1。

ifelse(c(TRUE, TRUE, TRUE), c(100, 200), c(300, 400))
#[1] 100 200 100

返回对象的长度为3，因为逻辑条件的长度为3;由于c(100, 200)只有两个元素，因此R需要回收条目。

Answer 2

R效率是围绕向量设计的，而不是循环。非常罕见（虽然它确实发生）for或while循环是解决问题的最佳方法。在您的情况下，您最好使用if / else：ifelse的矢量化版本。它需要一个测试向量（例如result %in% 1:2）和两个可能响应的向量，具体取决于测试结果。所有这些都必须是相同的长度。当您给出长度为1的答案时，它会将其延长到适当的长度，否则会出错。在这里，它看起来像这样：

data$results <- ifelse(results %in% 1:2, trueAnswer, falseAnswer)

R效率迭代数据帧

2 个答案:

更新