使用 dplyr 计算行中的值数

Posted 2023-03-24

【中文标题】使用 dplyr 计算行中的值数

【英文标题】：Count number of values in row using dplyr

【发布时间】：2016-10-10 11:05:42

【问题描述】：

这个问题应该有一个简单、优雅的解决方案，但我想不通，所以就这样吧：

假设我有以下数据集，我想使用 dplyr 计算每行中存在的 2 的数量。

set.seed(1)
ID <- LETTERS[1:5]
X1 <- sample(1:5, 5,T)
X2 <- sample(1:5, 5,T)
X3 <- sample(1:5, 5,T)

df <- data.frame(ID,X1,X2,X3)
library(dplyr)

现在，以下工作：

df %>%
  rowwise %>%
  mutate(numtwos = sum(c(X1,X2,X3) == 2))

但是如何避免输入所有列名？

我知道没有dplyr 可能更容易做到这一点，但更一般地说，我想知道如何在不输入所有列名的情况下将dplyr 的mutate 用于多列。

【参考方案1】：

试试rowSums:

> set.seed(1)
> ID <- LETTERS[1:5]
> X1 <- sample(1:5, 5,T)
> X2 <- sample(1:5, 5,T)
> X3 <- sample(1:5, 5,T)
> df <- data.frame(ID,X1,X2,X3)
> df
  ID X1 X2 X3
1  A  2  5  2
2  B  2  5  1
3  C  3  4  4
4  D  5  4  2
5  E  2  1  4
> rowSums(df == 2)
[1] 2 1 0 1 1

或者，dplyr:

> df %>% mutate(numtwos = rowSums(. == 2))
  ID X1 X2 X3 numtwos
1  A  2  5  2       2
2  B  2  5  1       1
3  C  3  4  4       0
4  D  5  4  2       1
5  E  2  1  4       1

【讨论】：

我提到我特别想知道如何用 dplyr 做到这一点，即使它不是最好的解决方案。

@C_Z_ 查看我最近的编辑，我认为这是最短的dplyr 解决方案

. 究竟是如何工作的？是不是像data.table中的.SD？

我认为. 只是引用您正在变异的df 的一种方式

【参考方案2】：

这是使用purrr 的另一种选择：

library(purrr)

df %>%
  by_row(function(x) 
    sum(x[-1] == 2) ,
    .to = "numtwos",
    .collate = "cols"
  )

这给出了：

#Source: local data frame [5 x 5]
#
#      ID    X1    X2    X3 numtwos
#  <fctr> <int> <int> <int>   <int>
#1      A     2     5     2       2
#2      B     2     5     1       1
#3      C     3     4     4       0
#4      D     5     4     2       1
#5      E     2     1     4       1

---

如NEWS 中所述，基于行的函数在dplyr 中仍在成熟：

​​>

我们仍在弄清楚 dplyr 中的内容和内容 purrr。期待大量的实验和许多变化 功能。

---

基准测试

我们可以看到rowwise() 和do() 与purrr::by_row() 在此类问题上的比较，以及它们在rowSums() 和整洁数据方式上的“表现”：

largedf <-  df[rep(seq_len(nrow(df)), 10e3), ]

library(microbenchmark)
microbenchmark(
  steven = largedf %>% 
    by_row(function(x)  
      sum(x[-1] == 2) , 
      .to = "numtwos", 
      .collate = "cols"),
  psidom = largedf %>% 
    rowwise %>% 
    do(data_frame(numtwos = sum(.[-1] == 2))) %>% 
    cbind(largedf, .),
  gopala = largedf %>% 
    gather(key, value, -ID) %>% 
    group_by(ID) %>% 
    summarise(numtwos = sum(value == 2)) %>% 
    inner_join(largedf, .),
  evan   = largedf %>% 
    mutate(numtwos = rowSums(. == 2)),
  times  = 10L,
  unit   = "relative"
)

结果：

#Unit: relative
#   expr         min          lq        mean      median         uq         max neval cld
# steven 1225.190659 1261.466936 1267.737126 1227.762573 1276.07977 1339.841636    10  b 
# psidom 3677.603240 3759.402212 3726.891458 3678.717170 3728.78828 3777.425492    10   c
# gopala    2.715005    2.684599    2.638425    2.612631    2.59827    2.572972    10 a  
#   evan    1.000000    1.000000    1.000000    1.000000    1.00000    1.000000    10 a  

【讨论】：

看起来很完美

Purrrfect 确实 ;) 虽然从最近的实验来看，by_row() 对于大型数据集来说非常缓慢。

@StevenBeaupré 很酷的比较！谢谢你把它放在一起！

【参考方案3】：

只是想添加到@evan.oman 的答案，以防您只想对特定列的行求和，而不是全部。您可以使用常规的select 和/或select_helpers 函数。在此示例中，我们不想在 rowSums 中包含 X1：

df %>% 
  mutate(numtwos = rowSums(select(., -X1) == 2))

  ID X1 X2 X3 numtwos
1  A  2  5  2       1
2  B  2  5  1       0
3  C  3  4  4       0
4  D  5  4  2       1
5  E  2  1  4       0

【参考方案4】：

一种方法是使用dplyr和tidyr的组合将数据转换为长格式，然后进行计算：

library(dplyr)
library(tidyr)
df %>%
  gather(key, value, -ID) %>%
  group_by(ID) %>%
  summarise(numtwos = sum(value == 2)) %>%
  inner_join(df, .)

输出如下：

  ID X1 X2 X3 numtwos
1  A  2  5  2       2
2  B  2  5  1       1
3  C  3  4  4       0
4  D  5  4  2       1
5  E  2  1  4       1

【参考方案5】：

您可以使用do，它不会将列添加到原始数据框中，您需要将列添加到原始数据框中。

df %>%
    rowwise %>%
    do(numtwos = sum(.[-1] == 2)) %>% 
    data.frame
  numtwos
1       2
2       1
3       0
4       1
5       1

添加cbind 将新列绑定到原始数​​据框：

df %>%
     rowwise %>%
     do(numtwos = sum(.[-1] == 2)) %>% 
     data.frame %>% cbind(df, .)

  ID X1 X2 X3 numtwos
1  A  2  5  2       2
2  B  2  5  1       1
3  C  3  4  4       0
4  D  5  4  2       1
5  E  2  1  4       1 

【讨论】：

谢谢，我希望dplyr 有一个更简洁的方法来做到这一点。哦，好吧！

在dplyr 和data.table 中，Rowwise 操作总是有点痛苦，因为据我所知，数据是按列存储的。

@Arun，感谢您的澄清。这也是我的猜测。