使用 R 比“for”循环更有效的方法

Question

我是 R 的新手，所以如果有一个明显的答案，我很抱歉。我查看了其他问题，我认为“申请”是答案，但我不知道在这种情况下如何使用它。

我进行了一项纵向调查，每年都会邀请参与者。在某些年份，他们未能参加，有时他们会死去。我需要确定自调查开始以来哪些参与者参与了一致的“连续”（即，如果他们停止，他们将永远停止）。

我使用“for”循环完成了这项工作，在下面的示例中效果很好。但是我有很多年和很多参与者，而且循环很慢。我可以使用更快的方法吗？

在示例中，TRUE 表示他们参加了那一年。该循环创建两个向量 - 'finalyear' 表示他们参与的最后一年，'streak' 表示他们是否在最后一年之前完成了所有年份（即案例 1、3 和 5）。

dat <- data.frame(ids = 1:5, "1999" = c(T, T, T, F, T), "2000" = c(T, F, T, F, T), "2001" = c(T, T, T, T, T), "2002" = c(F, T, T, T, T), "2003" = c(F, T, T, T, F))
finalyear <- NULL
streak <- NULL
for (i in 1:nrow(dat)) {
    x <- as.numeric(dat[i,2:6])
    y <- max(grep(1, x))
    finalyear[i] <- y
    streak[i] <- sum(x) == y
}
dat$finalyear <- finalyear
dat$streak <- streak

谢谢！

Answer 1

这是dplyr 和tidyr 的解决方案。

gather(data = dat,year,value,-ids) %>%
  mutate(year=as.integer(gsub("X","",year))) %>%
  group_by(ids) %>%
  summarize(finalyear=last(year[value]),
            streak=!any(value[first(year):finalyear] == FALSE))

输出

  ids finalyear streak
1   1      2001   TRUE
2   2      2003  FALSE
3   3      2003   TRUE
4   4      2003  FALSE
5   5      2002   TRUE

Answer 2

这是一个使用apply 循环遍历行和rle 以查看状态更改频率的基本版本。您的条件似乎等同于以 TRUE 开头的状态，并且最多只更改为 FALSE 一次，所以我测试 rle 小于 3 并且第一个值为 TRUE：

> dat$streak = apply(dat[,2:6],1,function(r){r[1] & length(rle(r)$length)<=2})
> 
> dat
  ids X1999 X2000 X2001 X2002 X2003 streak
1   1  TRUE  TRUE  TRUE FALSE FALSE   TRUE
2   2  TRUE FALSE  TRUE  TRUE  TRUE  FALSE
3   3  TRUE  TRUE  TRUE  TRUE  TRUE   TRUE
4   4 FALSE FALSE  TRUE  TRUE  TRUE  FALSE
5   5  TRUE  TRUE  TRUE  TRUE FALSE   TRUE

可能有很多方法可以计算finalyear，这只是找到每行的最后一个元素TRUE：

> dat$finalyear = apply(dat[,2:6], 1, function(r){max(which(r))})
> dat
  ids X1999 X2000 X2001 X2002 X2003 streak finalyear
1   1  TRUE  TRUE  TRUE FALSE FALSE   TRUE         3
2   2  TRUE FALSE  TRUE  TRUE  TRUE  FALSE         5
3   3  TRUE  TRUE  TRUE  TRUE  TRUE   TRUE         5
4   4 FALSE FALSE  TRUE  TRUE  TRUE  FALSE         5
5   5  TRUE  TRUE  TRUE  TRUE FALSE   TRUE         4

Answer 3

For 循环在 R 中并不是天生不好，但如果你迭代地增长向量（就像你正在做的那样），它们会很慢。通常有更好的方法来做事。仅具有应用功能的解决方案示例：

dat$finalyear <- apply(dat[,2:6],MARGIN=1,function(x){max(which(x))})
dat$streak <-  apply(dat[,2:7],MARGIN=1,function(x){sum(x[1:5])==x[6]})

或选项 2，基于 @Spacedman 的评论：

dat$finalyear <- apply(dat[,2:6],MARGIN=1,function(x){max(which(x))})
dat$streak <-  apply(dat[,2:6],MARGIN=1,function(x){max(which(x))==sum(x)})

> dat
  ids X1999 X2000 X2001 X2002 X2003 finalyear streak
1   1  TRUE  TRUE  TRUE FALSE FALSE         3   TRUE
2   2  TRUE FALSE  TRUE  TRUE  TRUE         5  FALSE
3   3  TRUE  TRUE  TRUE  TRUE  TRUE         5   TRUE
4   4 FALSE FALSE  TRUE  TRUE  TRUE         5  FALSE
5   5  TRUE  TRUE  TRUE  TRUE FALSE         4   TRUE

Answer 4

我们可以使用max.col 和rowSums 作为vectorized 方法。

dat$finalyear <- max.col(dat[-1], 'last')

如果存在没有TRUE 值的行，我们可以通过乘以rowSums 的双重否定来确保为该行返回0。 FALSE 将被强制为 0，乘​​以 0 返回该行的 0。

dat$finalyear <- max.col(dat[-1], 'last')*!!rowSums(dat[-1])

然后，我们通过将 2:6 列的 rowSums 与 'finalyear' 的比较来创建 'streak' 列

dat$streak <-  rowSums(dat[,2:6])==dat$finalyear
dat
#   ids X1999 X2000 X2001 X2002 X2003 finalyear streak
#1   1  TRUE  TRUE  TRUE FALSE FALSE         3   TRUE
#2   2  TRUE FALSE  TRUE  TRUE  TRUE         5  FALSE
#3   3  TRUE  TRUE  TRUE  TRUE  TRUE         5   TRUE
#4   4 FALSE FALSE  TRUE  TRUE  TRUE         5  FALSE
#5   5  TRUE  TRUE  TRUE  TRUE FALSE         4   TRUE

或@ColonelBeauvel 建议的单行代码（它可以放在一行中，但决定通过 2-lines 使其显而易见）

library(dplyr)
mutate(dat, finalyear=max.col(dat[-1], 'last'), 
            streak=rowSums(dat[-1])==finalyear)