Question

我经常需要从数据框中提取单个值，例如提取大猩猩大猩猩的“ var1”值：

example_data <- data.frame(species = c("Pan_troglodytes", "Gorilla_gorilla", "Pongo_pygmaeus"),
                           var1 = c(5.88, 6.07, 5.83),
                           var2 = c(10.6, 11.2, 10.5)
                           )
example_data

          species var1 var2
1 Pan_troglodytes 5.88 10.6
2 Gorilla_gorilla 6.07 11.2
3  Pongo_pygmaeus 5.83 10.5

我用base R学习的方法是：

example_data[[which(example_data$species == "Gorilla_gorilla"), "var1"]]

[1] 6.07

此方法在概念上感觉非常有效（标识值的位置->提取值），并且在计算上肯定有效（请参见下面的基准测试）。但是，从编码的角度看，它似乎不是很有效：必须重复数据变量的名称，这可能导致视觉上混乱的代码，尤其是在数据变量的名称很长或使用方法的情况下。理想情况下，我更喜欢使用tidyverse样式的方法，该方法只需要声明一次数据变量即可。我知道dplyr::filter()可以实现相同的目的：

library(dplyr)

filter(example_data, species == "Gorilla_gorilla")$var1

[1] 6.07

这段代码更加简洁，但是从概念上讲效率低下（对整个数据框执行操作->提取值），并且计算速度较慢（尽管我们说的是微秒，所以这可能并不是问题）

library(microbenchmark)

Unit: microseconds
                                                                          expr     min       lq      mean   median       uq      max neval
 example_data[[which(example_data$species == "Gorilla_gorilla"),      "var1"]]   6.301   8.8505  15.48891  15.9505  19.1510   77.701   100
                       filter(example_data, species == "Gorilla_gorilla")$var1 638.801 801.8005 904.89208 859.3505 936.8505 1782.901   100

我的问题是：是否存在另一种从数据框中有条件地提取单个值的方法，该方法具有tidyverse简洁代码的优点，但更像基本R方法那样直接？还是我只是傻了，没有理由不只使用dplyr::filter()方法？

（此外，我知道我可以将“ species”变量设置为行名，然后使用example_data["Gorilla_gorilla", "var1"]，这既干净又高效，但这违反了不使用行名的整洁原则）。 / p>

似乎整联中有一个空白：dplyr::filter等于基数data[n, ]； dplyr::select等同于基本data[, n]；但似乎没有等效的基数data[n, n]。

Answer 1

在R中，有很多方法可以给猫做皮；这里有很多东西（请记住，您可以不断混合和匹配下面使用的许多功能），通常您已经正确地观察到了tidyverse函数的效率低下：

# Base R method 1: => returns data.frame:
subset(example_data, species == "Gorilla_gorilla", select = "var1")

# Base R method 2: => returns vector length 1 (R's scalar): 
example_data$var1[match("Gorilla_gorilla", example_data$species)]

# Base R method 3: => (result as df): 
example_data[match("Gorilla_gorilla", example_data$species), "var1", drop = FALSE]

# Tidyverse method 1: => returns df
library(tidyverse)
example_data %>% 
  slice(which(species == "Gorilla_gorilla")) %>% 
  select(var1)

# Tidyverse method 2: => returns df
example_data %>% 
  filter(species == "Gorilla_gorilla") %>% 
  select(var1)

# Tidyverse method 3: => returns vector
example_data %>% 
  filter(species == "Gorilla_gorilla") %>% 
  pull(var1)

# data.table method 1: => returns data.table / data.frame object
library(data.table)
setDT(example_data)[species == "Gorilla_gorilla", "var1"]

# data.tabel method 2: => returns data.table / data.frame object: 
setDT(example_data)[species == "Gorilla_gorilla", 2]

# data.tabel method 3: => returns data.table / data.frame object: 
setDT(example_data)[species == "Gorilla_gorilla", .SD, .SDcols = 2]

# data.table method 4: => return vector: 
as.matrix(setDT(example_data)[species == "Gorilla_gorilla", 2])[1]

Answer 2

您熟悉data.table吗？

它符合简洁，（真正）高效且类似于基本R语法的三个条件：

library(data.table)
setDT(example_data) # Convert to data.table, convert back with setDF()
example_data[species == "Gorilla_gorilla", var1]
# [1] 6.07

如果您重复执行此操作，则可以设置一个键，以避免键入过滤器变量的名称：

setkey(example_data, species)

example_data["Gorilla_gorilla", var1]
# [1] 6.07
example_data["Pongo_pygmaeus", var1]
# [1] 5.83

Answer 3

完整的tidyverse方法是使用pull仅获取变量而不是完整的data.frame：

example_data %>% 
  filter(species == "Gorilla_gorilla") %>% 
  pull(var1)
[1] 6.07

但是，我尚未对其进行计算效率测试。

Answer 4

感谢@hello_friend，这对人们来说是一个非常有用的调查和参考。为了进一步参考，这是不同方法的基准测试（这就是为什么我必须将其发布为答案而不是评论）的原因。再说一次，我们所说的是微秒，因此，尽管我认为它们很有趣，但差异实际上并没有什么意义。

我认为我实际上会坚持使用原来的filter(example_data, species == "Gorilla_gorilla")$var1。现在已经能够将其与所有其他选项进行比较，看起来似乎还算不错，而且比我选择的第二个选择subset(example_data, species == "Gorilla_gorilla", select = "var1")[[1]]简明扼要，对于我来说，第二个选择要重要得多慢了几微秒。

通过@sindri_baldur，感谢有关data.table的提示，但我没有遇到。有趣的是，尽管预先完成了数据帧的转换（DT_data[species == "Gorilla_gorilla", "var1"]），但对于此特定操作而言，它实际上并没有更快的速度

   expr                                                                                          mean_time_microseconds package     
 1 "example_data$var1[match(\"Gorilla_gorilla\", example_data$species)]"                                         15413. base      
 2 "example_data[match(\"Gorilla_gorilla\", example_data$species),      \"var1\", drop = FALSE]"                561586. base      
 3 "subset(example_data, species == \"Gorilla_gorilla\", select = \"var1\")"                                    579747. base      
 4 "subset(example_data, species == \"Gorilla_gorilla\", select = \"var1\")[[1]]"                               604293. base      
 5 "filter(example_data, species == \"Gorilla_gorilla\")$var1"                                                 1757617. dplyr     
 6 "example_data %>% filter(species == \"Gorilla_gorilla\") %>% pull(var1)"                                    2699485. dplyr     
 7 "DT_data[species == \"Gorilla_gorilla\", \"var1\"]"                                                         2877631. data.table
 8 "setDT(example_data)[species == \"Gorilla_gorilla\", \"var1\"]"                                             3044128. data.table
 9 "setDT(example_data)[species == \"Gorilla_gorilla\", 2]"                                                    3094515. data.table
10 "as.matrix(setDT(example_data)[species == \"Gorilla_gorilla\", 2])[1]"                                      3168429. data.table
11 "setDT(example_data)[species == \"Gorilla_gorilla\", .SD, .SDcols = 2]"                                     3533138. data.table
12 "example_data %>% slice(which(species == \"Gorilla_gorilla\")) %>%      select(var1)"                       5835452. dplyr     
13 "example_data %>% filter(species == \"Gorilla_gorilla\") %>% select(var1)"                                  5882807. dplyr

根据逻辑条件，Tidyverse样式从数据框中提取单个值

4 个答案: