Question

我想根据一个值是否出现在30多个列之一中来创建一个新列。

以下是示例数据：

df <- read.table(text =
"ACT_1   ACT_2    ACT_3 ACT_4 ACT_5 ACT_6  ACT_7
DBA     ABC     ABC    ABC    ABC    ABC       ABC
ABC     DBA     ABC    ABC    ABC    ABC       ABC
ABC     ABC     ABC    ABC    ABC    ABC       ABC",
header = TRUE, stringsAsFactors = FALSE)

我想检查名称中包含“ ACT”的所有列，并创建一个新的二进制二进制列1-如果行中包含“ DBA”，则为0-否则。我想使用dplyr。

Answer 1

另一种涉及使用dplyr / tidyr重塑的方法是

library(dplyr)
library(tidyr)

df %>%
  mutate(row = row_number()) %>%
  gather(key, value, starts_with("ACT")) %>%
  group_by(row) %>%
  mutate(flag = as.integer(any(value == "DBA"))) %>%
  spread(key, value) %>%
  ungroup() %>%
  select(-row)

# A tibble: 3 x 8
#   flag ACT_1 ACT_2 ACT_3 ACT_4 ACT_5 ACT_6 ACT_7
#  <int> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
#1     1 DBA   ABC   ABC   ABC   ABC   ABC   ABC  
#2     1 ABC   DBA   ABC   ABC   ABC   ABC   ABC  
#3     0 ABC   ABC   ABC   ABC   ABC   ABC   ABC

或者在基数R中，我们也可以使用apply

df$flag <- as.integer(apply(df[grep("^ACT", names(df))] == "DBA", 1, any))

Answer 2

在base R中，我们使用grep来对以“ ACT”（或startsWith）开头的列进行子集化，检查其是否等于“ DBA”以创建逻辑矩阵，然后获取rowSums，通过检查大于0的TRUE元素的数量将其转换为逻辑vector。此逻辑向量使用as.integer（或+转换为二进制）

df$newCol <- +(rowSums(df[grep("^ACT", names(df))] == "DBA") > 0)
df$newCol
#[1] 1 1 0

或者另一种base R方法将Reduce与lapply一起使用

df$newCol <- +(Reduce(`|`, lapply(df[grep("^ACT", names(df))], `==`, "DBA")))

注意：两种解决方案都是矢量化的

或使用tidyverse而不进行任何重塑

library(tidyverse)
df %>% 
      mutate(newCol = map(., ~.x == "DBA") %>% 
                        reduce(`|`) %>%
                        as.integer)
#  ACT_1 ACT_2 ACT_3 ACT_4 ACT_5 ACT_6 ACT_7 newCol
#1   DBA   ABC   ABC   ABC   ABC   ABC   ABC      1
#2   ABC   DBA   ABC   ABC   ABC   ABC   ABC      1
#3   ABC   ABC   ABC   ABC   ABC   ABC   ABC      0

或使用data.table

library(data.table)
setDT(df)[, newCol := +(Reduce(`+`, lapply(.SD, `==`, "DBA")))]

在示例中，只有“ ACT”列。如果还有其他列，请确保在第一个解决方案中显示的.SDcols中使用grep

基准

#data
df1 <- df[rep(seq_len(nrow(df)), 1e6), ]

-base R

system.time(+(rowSums(df1[grep("^ACT", names(df1))] == "DBA") > 0))
# user  system elapsed 
#  0.319   0.101   0.419 
system.time(+(Reduce(`|`, lapply(df1[grep("^ACT", names(df1))], `==`, "DBA"))))
# user  system elapsed 
#  0.152   0.029   0.179 

system.time(as.integer(apply(df1[grep("^ACT", names(df1))] == "DBA", 1, any)))
# user  system elapsed 
#  5.200   0.177   5.344

-tidyverse

system.time({df1 %>%
  mutate(row = row_number()) %>%
  gather(key, value, starts_with("ACT")) %>%
  group_by(row) %>%
  mutate(flag = as.integer(any(value == "DBA"))) %>%
  spread(key, value) %>%
  ungroup() %>%
  select(-row)})
#  user  system elapsed 
# 42.750   4.378  47.202 

system.time({
 df1 %>% 
          mutate(newCol = map(., ~.x == "DBA") %>% 
                            reduce(`|`))
})
#   user  system elapsed 
#  0.188   0.016   0.203

-data.table

system.time({
   setDT(df1)[, newCol := +(Reduce(`+`, lapply(.SD, `==`, "DBA")))]
})
#  user  system elapsed 
#  0.152   0.011   0.163

使用dplyr检查每行中多个值的多个变量（列）

2 个答案:

基准