dplyr包可以用于条件变异吗？

5 回答

• 8

  在以下情况下， case_when 现在是SQL风格案例的一个非常干净的实现：

  structure(list(a = c(1, 3, 4, 6, 3, 2, 5, 1), b = c(1, 3, 4, 
  2, 6, 7, 2, 6), c = c(6, 3, 6, 5, 3, 6, 5, 3), d = c(6, 2, 4, 
  5, 3, 7, 2, 6), e = c(1, 2, 4, 5, 6, 7, 6, 3), f = c(2, 3, 4, 
  2, 2, 7, 5, 2)), .Names = c("a", "b", "c", "d", "e", "f"), row.names = c(NA, 
  8L), class = "data.frame") -> df
  
  
  df %>% 
      mutate( g = case_when(
                  a == 2 | a == 5 | a == 7 | (a == 1 & b == 4 )     ~   2,
                  a == 0 | a == 1 | a == 4 |  a == 3 | c == 4       ~   3
  ))
  

  使用dplyr 0.7.4

  手册：http://dplyr.tidyverse.org/reference/case_when.html

  回复于 2024-04-27T01:58:35+08:00
• 13

  使用 ifelse

  df %>%
    mutate(g = ifelse(a == 2 | a == 5 | a == 7 | (a == 1 & b == 4), 2,
                 ifelse(a == 0 | a == 1 | a == 4 | a == 3 |  c == 4, 3, NA)))
  

  Added - if_else: 请注意，在dplyr 0.5中定义了 if_else 函数，因此替代方法是将 ifelse 替换为 if_else ;但请注意，由于 if_else 比 ifelse 更严格（条件的两条腿必须具有相同的类型）所以 NA 在这种情况下必须用 NA_real_ 替换 .

  df %>%
    mutate(g = if_else(a == 2 | a == 5 | a == 7 | (a == 1 & b == 4), 2,
                 if_else(a == 0 | a == 1 | a == 4 | a == 3 |  c == 4, 3, NA_real_)))
  

  Added - case_when 自发布此问题以来，dplyr已添加了 case_when ，因此另一种选择是：

  df %>% mutate(g = case_when(a == 2 | a == 5 | a == 7 | (a == 1 & b == 4) ~ 2,
                              a == 0 | a == 1 | a == 4 | a == 3 |  c == 4 ~ 3,
                              TRUE ~ NA_real_))
  

  回复于 2024-04-27T01:58:35+08:00
• 153

  mosaic 包中的 derivedFactor 函数似乎是为了解决这个问题而设计的 . 使用此示例，它看起来像：

  library(dplyr)
  library(mosaic)
  df <- mutate(df, g = derivedFactor(
       "2" = (a == 2 | a == 5 | a == 7 | (a == 1 & b == 4)),
       "3" = (a == 0 | a == 1 | a == 4 | a == 3 |  c == 4),
       .method = "first",
       .default = NA
       ))
  

  （如果您希望结果为数字而不是因子，则可以在 as.numeric 调用中包装 derivedFactor . ）

  derivedFactor 也可以用于任意数量的条件 .

  回复于 2024-04-27T01:58:35+08:00
• 49

  dplyr现在有一个函数 case_when ，提供了vectorised if . 与 mosaic:::derivedFactor 相比，语法有点奇怪，因为您无法以标准dplyr方式访问变量，并且需要声明NA的模式，但它比 mosaic:::derivedFactor 快得多 .

  df %>%
  mutate(g = case_when(a %in% c(2,5,7) | (a==1 & b==4) ~ 2L, 
                       a %in% c(0,1,3,4) | c == 4 ~ 3L, 
                       TRUE~as.integer(NA)))
  

  EDIT: 如果您使用的是包之前版本0.7.0之前的 dplyr::case_when() ，则需要在变量名前加上' .$ '（例如在 case_when 内写入 .$a == 1 ） .

  Benchmark ：对于基准测试（重用Arun的帖子中的函数）和减少样本量：

  require(data.table) 
  require(mosaic) 
  require(dplyr)
  require(microbenchmark)
  
  DT <- setDT(lapply(1:6, function(x) sample(7, 10000, TRUE)))
  setnames(DT, letters[1:6])
  DF <- as.data.frame(DT)
  
  DPLYR_case_when <- function(DF) {
    DF %>%
    mutate(g = case_when(a %in% c(2,5,7) | (a==1 & b==4) ~ 2L, 
                         a %in% c(0,1,3,4) | c==4 ~ 3L, 
                         TRUE~as.integer(NA)))
  }
  
  DT_fun <- function(DT) {
    DT[(a %in% c(0,1,3,4) | c == 4), g := 3L]
    DT[a %in% c(2,5,7) | (a==1 & b==4), g := 2L]
  }
  
  DPLYR_fun <- function(DF) {
    mutate(DF, g = ifelse(a %in% c(2,5,7) | (a==1 & b==4), 2L, 
                      ifelse(a %in% c(0,1,3,4) | c==4, 3L, NA_integer_)))
  }
  
  mosa_fun <- function(DF) {
    mutate(DF, g = derivedFactor(
      "2" = (a == 2 | a == 5 | a == 7 | (a == 1 & b == 4)),
      "3" = (a == 0 | a == 1 | a == 4 | a == 3 |  c == 4),
      .method = "first",
      .default = NA
    ))
  }
  
  microbenchmark(
    DT_fun(DT),
    DPLYR_fun(DF),
    DPLYR_case_when(DF),
    mosa_fun(DF),
    times=20
  )
  

  这给出了：

  expr        min         lq       mean     median         uq        max neval
           DT_fun(DT)   1.503589   1.626971   2.054825   1.755860   2.292157   3.426192    20
        DPLYR_fun(DF)   2.420798   2.596476   3.617092   3.484567   4.184260   6.235367    20
  DPLYR_case_when(DF)   2.153481   2.252134   6.124249   2.365763   3.119575  72.344114    20
         mosa_fun(DF) 396.344113 407.649356 413.743179 412.412634 416.515742 459.974969    20
  

  回复于 2024-04-27T01:58:35+08:00
• 29

  既然你要求其他更好的方法来处理这个问题，这是使用 data.table 的另一种方式：

  require(data.table) ## 1.9.2+
  setDT(df)
  df[a %in% c(0,1,3,4) | c == 4, g := 3L]
  df[a %in% c(2,5,7) | (a==1 & b==4), g := 2L]
  

  请注意，条件语句的顺序相反，以正确获取 g . 即使在第二次任务期间，也没有 g 的副本 - 它已就地替换 .

  在较大的数据上，这将比使用嵌套的 if-else 具有更好的性能，如it can evaluate both 'yes' and 'no' cases，并且嵌套可能更难以读取/维护恕我直言 .

  ---

  这是相对较大数据的基准：

  # R version 3.1.0
  require(data.table) ## 1.9.2
  require(dplyr)
  DT <- setDT(lapply(1:6, function(x) sample(7, 1e7, TRUE)))
  setnames(DT, letters[1:6])
  # > dim(DT) 
  # [1] 10000000        6
  DF <- as.data.frame(DT)
  
  DT_fun <- function(DT) {
      DT[(a %in% c(0,1,3,4) | c == 4), g := 3L]
      DT[a %in% c(2,5,7) | (a==1 & b==4), g := 2L]
  }
  
  DPLYR_fun <- function(DF) {
      mutate(DF, g = ifelse(a %in% c(2,5,7) | (a==1 & b==4), 2L, 
              ifelse(a %in% c(0,1,3,4) | c==4, 3L, NA_integer_)))
  }
  
  BASE_fun <- function(DF) { # R v3.1.0
      transform(DF, g = ifelse(a %in% c(2,5,7) | (a==1 & b==4), 2L, 
              ifelse(a %in% c(0,1,3,4) | c==4, 3L, NA_integer_)))
  }
  
  system.time(ans1 <- DT_fun(DT))
  #   user  system elapsed 
  #  2.659   0.420   3.107 
  
  system.time(ans2 <- DPLYR_fun(DF))
  #   user  system elapsed 
  # 11.822   1.075  12.976 
  
  system.time(ans3 <- BASE_fun(DF))
  #   user  system elapsed 
  # 11.676   1.530  13.319 
  
  identical(as.data.frame(ans1), as.data.frame(ans2))
  # [1] TRUE
  
  identical(as.data.frame(ans1), as.data.frame(ans3))
  # [1] TRUE
  

  不确定这是否是您要求的替代品，但我希望它有所帮助 .

  回复于 2024-04-27T01:58:35+08:00