R 中嵌套 ifelse 语句的替代方案

Posted

技术标签:

【中文标题】R 中嵌套 ifelse 语句的替代方案【英文标题】:Alternatives to nested ifelse statements in R 【发布时间】:2015-08-10 06:01:00 【问题描述】:

假设我们有以下数据。行代表一个国家,列 (in05:in09) 表示该国家在给定年份 (2005:2009) 是否存在于感兴趣的数据库中。

id <- c("a", "b", "c", "d")
in05 <- c(1, 0, 0, 1)
in06 <- c(0, 0, 0, 1)
in07 <- c(1, 1, 0, 1)
in08 <- c(0, 1, 1, 1)
in09 <- c(0, 0, 0, 1)
df <- data.frame(id, in05, in06, in07, in08, in09)

我想创建一个变量firstyear,它表示该国家/地区出现在数据库中的第一年。现在我执行以下操作:

df$firstyear <- ifelse(df$in05==1,2005,
    ifelse(df$in06==1,2006,
        ifelse(df$in07==1, 2007,
            ifelse(df$in08==1, 2008,
                ifelse(df$in09==1, 2009,
                    0)))))

上面的代码已经不是很好了,我的数据集包含很多年。是否有替代方法,使用*apply 函数、循环或其他东西来创建这个firstyear 变量?

【问题讨论】:

【参考方案1】:
df$FirstYear <- gsub('in', '20', names(df))[apply(df, 1, match, x=1)]
df
  id in05 in06 in07 in08 in09 FirstYear
1  a    1    0    1    0    0      2005
2  b    0    0    1    1    0      2007
3  c    0    0    0    1    0      2008
4  d    1    1    1    1    1      2005

有很多方法可以做到这一点。我使用了match,因为它会找到指定值的第一个实例。代码的其他部分用于演示。首先逐行使用apply,并通过names 的列名命名年份。赋值&lt;-df$FirstYear 是一种将结果添加到数据框中的方法。

感谢 @David Arenburg 有一个很酷的想法,即在 FirstYear 列中将 in 替换为 20

【讨论】:

我认为这也是一个聪明的把戏。@akrun 会很自豪【参考方案2】:

您可以使用max.col进行矢量化

indx <- names(df)[max.col(df[-1], ties.method = "first") + 1L]
df$firstyear <- as.numeric(sub("in", "20", indx))
df
#   id in05 in06 in07 in08 in09 firstyear
# 1  a    1    0    1    0    0      2005
# 2  b    0    0    1    1    0      2007
# 3  c    0    0    0    1    0      2008
# 4  d    1    1    1    1    1      2005

【讨论】:

好老max.col - 总是来救援。虽然它默认使用"random" 来处理领带确实很烦人,但考虑到which.max / which.min 等总是采用他们遇到的第一个结果。【参考方案3】:

另一个关于效率的答案(尽管此 QA 与速度无关)。

首先,最好避免将“列表”-y 结构转换为“矩阵”;有时值得转换为“矩阵”并使用有效处理“具有“暗淡”属性的向量(即“矩阵”/“数组”)的函数 - 其他时候则不然。 max.colapply 都转换为“矩阵”。

其次,在这样的情况下,我们不需要在获得解决方案时检查所有数据,我们可以从具有控制下一次迭代的循环的解决方案中受益。在这里,我们知道当我们找到第一个“1”时我们可以停止。 max.col(和which.max)都必须循环一次才能找到最大值;我们知道“max == 1”没有被利用这一事实。

第三,match 在我们只在另一个值向量中寻找一个值时可能会变慢,因为match 的设置相当复杂且成本高:

x = 5; set.seed(199); tab = sample(1e6)
identical(match(x, tab), which.max(x == tab))
#[1] TRUE
microbenchmark::microbenchmark(match(x, tab), which.max(x == tab), times = 25)
#Unit: milliseconds
#                expr       min        lq    median        uq       max neval
#       match(x, tab) 142.22327 142.50103 142.79737 143.19547 145.37669    25
# which.max(x == tab)  18.91427  18.93728  18.96225  19.58932  38.34253    25

总而言之,一种处理“data.frame”的“列表”结构并在找到“1”时停止计算的方法可能是如下所示的循环:

ff = function(x)

    x = as.list(x)
    ans = as.integer(x[[1]])
    for(i in 2:length(x)) 
        inds = ans == 0L
        if(!any(inds)) return(ans)
        ans[inds] = i * (x[[i]][inds] == 1)
    
    return(ans)

以及其他答案中的解决方案(忽略输出的额外步骤):

david = function(x) max.col(x, "first")
plafort = function(x) apply(x, 1, match, x = 1)

ff(df[-1])
#[1] 1 3 4 1
david(df[-1])
#[1] 1 3 4 1
plafort(df[-1])
#[1] 1 3 4 1

还有一些基准测试:

set.seed(007)
DF = data.frame(id = seq_len(1e6),
                "colnames<-"(matrix(sample(0:1, 1e7, T, c(0.25, 0.75)), 1e6), 
                             paste("in", 11:20, sep = "")))
identical(ff(DF[-1]), david(DF[-1]))
#[1] TRUE
identical(ff(DF[-1]), plafort(DF[-1]))
#[1] TRUE
microbenchmark::microbenchmark(ff(DF[-1]), david(DF[-1]), as.matrix(DF[-1]), times = 30)
#Unit: milliseconds
#              expr       min        lq    median        uq       max neval
#        ff(DF[-1])  64.83577  65.45432  67.87486  70.32073  86.72838    30
#     david(DF[-1]) 112.74108 115.12361 120.16118 132.04803 145.45819    30
# as.matrix(DF[-1])  20.87947  22.01819  27.52460  32.60509  45.84561    30

system.time(plafort(DF[-1]))
#   user  system elapsed 
#  4.117   0.000   4.125 

并不是真正的末日,但值得一看的是,简单、直接的算法方法可以 - 确实 - 证明同样好,甚至更好,具体取决于问题。显然,(大多数)其他时候在 R 中循环可能很费力。

【讨论】:

太棒了。一如既往......很久以前我在列表上编写非常有效的循环并且我的代码非常快,但是“反循环”哲学毁了我:) @DavidArenburg : 循环是一种生活方式——你可以隐藏它,“矢量化”它,但你无法避免它.. :-) 不错的答案;您可能对我的回答中的评论感兴趣。【参考方案4】:

其他乱七八糟的选择:

library(tidyr)
library(sqldf)
    newdf <- gather(df, year, code, -id)
    df$firstyear <- sqldf('SELECT min(rowid) rowid, id, year as firstyear
                            FROM newdf 
                            WHERE code = 1
                            GROUP BY id')[3]

library(tidyr)
df2 <- gather(df, year, code, -id)
df2 <- df2[df2$code == 1, 1:2]
df2 <- df2[!duplicated(df2$id), ]
merge(df, df2)

library(tidyr)
library(dplyr)
    newdf <- gather(df, year, code, -id)
    df$firstyear <- (newdf %>% 
                      filter(code==1) %>%
                      select(id, year) %>%
                      group_by(id) %>%
                      summarise(first = first(year)))[2]

输出:

  id in05 in06 in07 in08 in09 year
1  a    1    0    1    0    0 in05
2  b    0    0    1    1    0 in07
3  c    0    0    0    1    0 in08
4  d    1    1    1    1    1 in05

将 plaforts 解决方案与 alexises_laz 相结合的更清洁的解决方案是:

names(df) <- c("id", 2005, 2006, 2007, 2008, 2009)
df$firstyear <- names(df[-1])[apply(df[-1], 1, which.max)] 

  id 2005 2006 2007 2008 2009 firstyear
1  a    1    0    1    0    0      2005
2  b    0    0    1    1    0      2007
3  c    0    0    0    1    0      2008
4  d    1    1    1    1    1      2005

如果我们想保留原始列名,我们可以使用@David Arenburg 提供的重命名。

df$firstYear <- gsub('in', '20', names(df[-1]))[apply(df[-1], 1, which.max)]

  id in05 in06 in07 in08 in09 firstYear
1  a    1    0    1    0    0      2005
2  b    0    0    1    1    0      2007
3  c    0    0    0    1    0      2008
4  d    1    1    1    1    1      2005

【讨论】:

【参考方案5】:

这是另一种选择:

years <- as.integer(substr(names(df[-1]), 3, 4)) + 2000L
cbind(df, yr=do.call(pmin.int, Map(`/`, years, df[-1])))

生产:

  id in05 in06 in07 in08 in09   yr
1  a    1    0    1    0    0 2005
2  b    0    0    1    1    0 2007
3  c    0    0    0    1    0 2008
4  d    1    1    1    1    1 2005

而且速度很快。这里只使用 Alexis 的数据来计算最小年步数:

Unit: milliseconds
                                       expr       min       lq   median       uq      max neval
 do.call(pmin.int, Map(`/`, 11:20, DF[-1])) 178.46993 194.3760 219.8898 229.1597 307.1120    10
                                 ff(DF[-1]) 416.07297 434.0792 439.1970 452.8345 496.2048    10
                   max.col(DF[-1], "first")  99.71936 138.2285 175.2334 207.6365 239.6519    10

奇怪的是,这并没有重现 Alexis 的计时,显示 David 是最快的。这是在 R 3.1.2 上。


编辑:基于与 Frank 的 convo,我更新了 Alexis 函数以更兼容 R 3.1.2:

ff2 = function(x) 
  ans = as.integer(x[[1]])
  for(i in 2:length(x)) 
      inds = which(ans == 0L)
      if(!length(inds)) return(ans)
      ans[inds] = i * (x[[i]][inds] == 1)
  
  return(ans)

这更接近原始结果:

Unit: milliseconds
        expr       min        lq    median        uq      max neval
  ff(DF[-1]) 407.92699 415.11716 421.18274 428.02092 462.2474    10
 ff2(DF[-1])  64.20484  72.74729  79.85748  81.29153 148.6439    10

【讨论】:

有趣。也许是 R 版本的东西。当我使用 Alexis 的示例数据在 R 3.2.0 上运行 microbenchmark(do.call(pmin.int, Map(`/`, 11:20, DF[-1])),ff(DF[-1]),max.col(DF[-1], "first"),times=10) 时,我得到 Alexis 150、Brodie 275、David 430(平均值或中位数)。 @Frank 嗯,我想我会在升级时检查这个增益,虽然真正令人费解的是max.col 变得更慢 @Frank,我有一个关于为什么Alexis 更快的理论。我认为 R 3.2.0 比 x[logical]x[which(logical)] 更聪明。后者传统上要快得多。在我的系统上,x &lt;- logical(1e5); x[sample(1e5, 1e4)] &lt;- TRUE; microbenchmark(x[which(x)], x[x])which 版本快 8 倍。你能在你的上运行它吗? 是的,我有多个版本的 R. 3.2.0 -- which 的两倍快; 3.0.1 -- 3-4x 在 R-3.2.0 上,我得到 ff: 100 ms | ff2: 65 ms;在 R-3.1.2 上,ff: 230 ms | ff2: 75ms。我无法获得 ff 的初始 65 毫秒。对于x[logical] VS x[which(logical)]x[which(x)] 在 R 的两个版本上都是 3 毫秒,但 x[x] 在 R-3.2.0 上是 5 毫秒,而在 R-3.1.2 上是 12 毫秒。看看R-3.1.2's logicalSubscript VS R-3.2.0's logicalSubscript,R-3.2.0 似乎避免了在从逻辑索引返回整数索引时扩展使用“%”(随后将被使用)。【参考方案6】:

我总是更喜欢使用经过整理的数据。第一种方法过滤 cumsums

# Tidy
df <- df %>% 
  gather(year, present.or.not, -id) 

# Create df of first instances
first.df <- df %>% 
  group_by(id, present.or.not) %>% 
  mutate(ranky = rank(cumsum(present.or.not)), 
         first.year = year) %>% 
  filter(ranky == 1)

# Prepare for join
first.df <- first.df[,c('id', 'first.year')]

# Join with original
df <- left_join(df,first.df)

# Spread
spread(df, year, present.or.not)

或者这种替代方法,在整理之后,从排列好的组中分割出第一行。

df %>% 
  gather(year, present_or_not, -id) %>% 
  filter(present_or_not==1) %>% 
  group_by(id) %>% 
  arrange(id, year) %>% 
  slice(1) %>% 
  mutate(year = str_replace(year, "in", "20")) %>% 
  select(1:2) %>% 
  right_join(df)`

【讨论】:

【参考方案7】:

您可以按照this tweet 中介绍的方法在dplyr::mutate() 中使用dplyr::case_when

# Using version 0.5.0.
# Dev version may work without `with()`.    
df %>%
      mutate(., firstyear = with(., case_when(
        in05 == 1 ~ 2005,
        in06 == 1 ~ 2006,
        in07 == 1 ~ 2007,
        in08 == 1 ~ 2008,
        in09 == 1 ~ 2009,
        TRUE ~ 0
)))

【讨论】:

以上是关于R 中嵌套 ifelse 语句的替代方案的主要内容,如果未能解决你的问题,请参考以下文章

嵌套 ifelse 语句

java,多层for()循环,if()else嵌套分别用啥替代?

R语言中的if else语句

R语言switch语句语法实战:Switch语句用来处理嵌套的if else处理起来比较困难或者麻烦的条件判断问题

为啥 R 的 ifelse 语句不能返回向量?

ifelse语句if条件可以为空吗