基于具有“容差”的数值向量过滤数据框

Posted 2023-02-14

【中文标题】基于具有“容差”的数值向量过滤数据框

【英文标题】：Filter data frame based on numeric vector with "tolerance"

【发布时间】：2022-01-22 16:41:54

【问题描述】：

我想使用数字向量过滤数据框。我正在应用以下功能：

test_data <- exp_data[exp_data$Size_Change %in% vec_data,]

示例数据如下所示：

dput(exp_data)
structure(list(Name = c("Mark", "Greg", "Tomas", "Morka", "Pekka", 
"Robert", "Tim", "Tom", "Bobby", "Terka"), Mode = c(1, 2, NA, 
4, NA, 3, NA, 1, NA, 3), Change = structure(c(6L, 2L, 4L, 5L, 
7L, 7L, 7L, 8L, 3L, 1L), .Label = c("D[+58], I[+12][+385]", "C[+58], K[+1206]", 
"C[+58], P[+2074]", "C[+58], K[+2172]", "C[+58], K[+259]", "C[+58], K[+2665]", 
"C[+58], T[+385]", "C[+58], C[+600]"), class = "factor"), Size = c(1335.261, 
697.356, 1251.603, 920.43, 492.236, 393.991, 492.239, 727.696, 
1218.933, 495.237), Place = c(3L, 4L, 3L, 2L, 4L, 5L, 4L, 3L, 
3L, 4L), Size_Change = c(4004, 2786, 3753, 1840, 1966, 1966, 
1966, 2181, 3655, 1978)), row.names = 2049:2058, class = "data.frame")

和用于过滤的向量：

dput(vec_data)
c(4003, 2785, 954, 1129, 4013, 756, 1852, 2424, 1954, 246, 147, 
234, 562, 1617, 2180, 888, 1176)

我提到了容差，因为vec_data 不是很精确，我期望数字有 +1/-1 的差异，并且在应用函数后它不会过滤具有这种差异的行。也可能会出现 +12/-12 或 +24/-24 的差异。我可以在过滤时以某种方式考虑它吗？

当然，可能的解决方案是像 (vec_data +1) / (vec_data -1) / (vec_data +12) 等那样做一些过滤尝试，最后可能是所有的 rbind 输出，但我正在寻找更“优雅”的方式。如果可以添加一个列来指示该行是如何过滤的，如果它是来自vec_data 的确切数字或者它被+1、+12、-24 或其他修改，那也很棒。请注意，+1/-1 与任何其他修改的组合也是可能的。如果它太复杂，则不需要额外的列。

【问题讨论】：

如果你得到Error: unexpected token，你可能使用的是R版本update your R。

【参考方案1】：

一个选项可能是（容差 = 1）：

df %>%
    filter(sapply(Size_Change, function(x) any(abs(x - vec) %in% 0:1)))

  Name Mode           Change     Size Place Size_Change
1 Mark    1 C[+58], K[+2665] 1335.261     3        4004
2 Greg    2 C[+58], K[+1206]  697.356     4        2786
3  Tom    1  C[+58], C[+600]  727.696     3        2181

公差 = 14：

df %>%
    filter(sapply(Size_Change, function(x) any(abs(x - vec) %in% 0:14)))

    Name Mode           Change     Size Place Size_Change
1   Mark    1 C[+58], K[+2665] 1335.261     3        4004
2   Greg    2 C[+58], K[+1206]  697.356     4        2786
3  Morka    4  C[+58], K[+259]  920.430     2        1840
4  Pekka   NA  C[+58], T[+385]  492.236     4        1966
5 Robert    3  C[+58], T[+385]  393.991     5        1966
6    Tim   NA  C[+58], T[+385]  492.239     4        1966
7    Tom    1  C[+58], C[+600]  727.696     3        2181

与rowwise()的逻辑相同：

df %>%
    rowwise() %>%
    filter(any(abs(Size_Change - vec) %in% 0:1))

【讨论】：

是否也允许容忍-1 ？

它使用绝对差异，所以 +1 和 -1 :)

【参考方案2】：

最明显的方法是根据不等式而不是精确匹配进行过滤（在比较数字 [非整数] 时始终推荐）

comp <- function(x, yvec, tolerance = 1)
  sapply(x, \(xi)any(abs(xi - yvec) <= tolerance))

exp_data[comp(exp_data$Size_Change, vec_data),]
     Name Mode           Change     Size Place Size_Change
2049 Mark    1 C[+58], K[+2665] 1335.261     3        4004
2050 Greg    2 C[+58], K[+1206]  697.356     4        2786
2056  Tom    1  C[+58], C[+600]  727.696     3        2181
# Tolerance = 2
# exp_data[comp(exp_data$Size_Change, vec_data, 2),]

【讨论】：

我的 RStudio 将斜杠识别为意外标记。不知道，但似乎斜线不能在我的 R..中使用。

啊，\(x)... 表示法是在 R-4.1.0 中实现的。如果您使用的是之前的版本，则需要使用 function(x) 而不是 \(x)。

好吧，明白了。谢谢。

【参考方案3】：

使用tolerance 函数怎么样？

tol <- \(x, tol=1L) sapply(seq(-tol, tol, 1L), \(i) sweep(as.matrix(x), 1L, i))

exp_data[exp_data$Size_Change %in% tol(vec_data), ]

#      Name Mode           Change     Size Place Size_Change
# 2049 Mark    1 C[+58], K[+2665] 1335.261     3        4004
# 2050 Greg    2 C[+58], K[+1206]  697.356     4        2786
# 2056  Tom    1  C[+58], C[+600]  727.696     3        2181

它默认为公差±1，如果我们想要±24，我们可以在参数中定义它：

exp_data[exp_data$Size_Change %in% tol(vec_data, 24L), ]
#        Name Mode               Change     Size Place Size_Change
# 2049   Mark    1     C[+58], K[+2665] 1335.261     3        4004
# 2050   Greg    2     C[+58], K[+1206]  697.356     4        2786
# 2052  Morka    4      C[+58], K[+259]  920.430     2        1840
# 2053  Pekka   NA      C[+58], T[+385]  492.236     4        1966
# 2054 Robert    3      C[+58], T[+385]  393.991     5        1966
# 2055    Tim   NA      C[+58], T[+385]  492.239     4        1966
# 2056    Tom    1      C[+58], C[+600]  727.696     3        2181
# 2058  Terka    3 D[+58], I[+12][+385]  495.237     4        1978

我想知道24L 中的L，它是整数表示法，你也可以使用tol=24 没有任何问题。

^{注意： R 版本 4.1.2 (2021-11-01)}