为 R 中的多个变量替换组内的特定 chr 值答案

【问题标题】：Replace specific chr values within groups for multiple variables in R为 R 中的多个变量替换组内的特定 chr 值
【发布时间】：2021-06-17 15:11:02
【问题描述】：

1.总结问题

嗨，我对 R 比较陌生，这是我关于堆栈的第一个问题overflow，但我已经从这个网站学习了一段时间。我发现了类似的问题，但它们解释了如何删除 missing values、使用 numerical values 或仅适用于 small number of IDs。

我有一个大型数据框（200 000+ 行），其中一个变量是代表唯一候选者的字母数字 ID，而其他变量代表不同的特征。一些候选项在文件中包含多次，但对于同一特征具有不同的值。我想解决这些差异，以便以后能够删除重复项。数据结构类似这样：

df <- tibble(ID = c("123abc", "123abc", "123abc", "456def", "456def", "789ghi"),
                 var1 = c("No", "Yes", "No", "No", "No", "No"),
                 var2 = c("No", "No", "No", "Yes", "No", "No"),
                 var3 = c("No", "No", "No", "No", "No", "Yes"))

我的目标是首先基于 ID 创建子组，然后在每个 ID 中搜索以查看它们是否具有至少一个值“是”，如果是，则将其所有值更改为“是”。我想对几个变量（var1、var2、var3）重复此操作。这是我想要的结果：

df <- tibble(ID = c("123abc", "123abc", "123abc", "456def", "456def", "789ghi"),
              var1 = c("Yes", "Yes", "Yes", "No", "No", "No"),
              var2 = c("No", "No", "No", "Yes", "Yes", "No"),
              var3 = c("No", "No", "No", "No", "No", "Yes"))

在此之后，我将删除重复的行以仅保留我需要的数据。

df <- distinct(df, across(), .keep_all = TRUE)

2。描述你的尝试

我找到了部分解决方案，但很难将它们组合在一起。我可以使用 dplyr 中的 group_by 按 ID 重新组合我的数据，但我在将其他功能应用于组时遇到问题：

df <- df %>% group_by(ID)

我可以使用if 结合any 将“否”替换为“是”，但如果没有组，它会更改 var1 中的所有值：

if(any(df$var1 == "Yes"))
  {  df$var1 = "Yes"  }

我尝试创建的解决方案类似于Creating loop for slicing the data, loop through the duplicated positions，使用for 循环ID，然后循环变量，但不替换为随机值。

【问题讨论】：

感谢您在发布问题之前阅读提示。我认为这应该适合你：df %>% group_by(ID) %>% summarise(across(var1:var3, ~ if_else(any(. == "Yes"),"Yes","No"))) 或者 df %>% group_by(ID) %>% mutate(across(var1:var3, ~ if(any(. == "Yes"))rep("Yes",length(.)) else .))

标签： r

【解决方案1】：

我已将我的评论提升为答案以进行更多解释。

首先，我们需要决定是使用dplyr::summarise 还是dplyr::mutate。 summarise 为每个组创建一行，而 mutate 使数据保持相同的维度。

在您的示例数据中，每个组中的所有行在转换后都将相同，那么您真的需要重复吗？也许你的真实数据还有其他变量，所以mutate 可能有意义。

从这里开始，我们只需要使用dplyr::across 对每一列执行相同的操作。第一个参数是选择列，第二个是你要应用的函数。

对于变异，我们可以使用dplyr::ifelse 来测试是否有任何变量是"Yes"。如果是，我们可以重复"Yes" 的次数与该组中的行数一样多。否则，我们可以不理会数据。对于across，数据由. 表示。

df %>% 
  group_by(ID) %>%
  mutate(across(var1:var3, ~ ifelse(any(. == "Yes"),rep("Yes",length(.)),.)))
# A tibble: 6 x 4
# Groups:   ID [3]
  ID     var1  var2  var3 
  <chr>  <chr> <chr> <chr>
1 123abc Yes   No    No   
2 123abc Yes   No    No   
3 123abc Yes   No    No   
4 456def No    Yes   No   
5 456def No    Yes   No   
6 789ghi No    No    Yes

【讨论】：

谢谢！正如您所描述的，这两个答案都有效，但是由于我确实有其他变量，因此具有 mutate 的那个效果最好。感谢您花时间解释！

【解决方案2】：

如果您愿意使用data.table，您可以使用lapply 完成所有这些操作。这是基于@ricardo-saporta 对Summarizing multiple columns with data.table 的回答。

library(tibble)
library(data.table)

df <- tibble(ID = c("123abc", "123abc", "123abc", "456def", "456def", "789ghi"),
  var1 = c("No", "Yes", "No", "No", "No", "No"),
  var2 = c("No", "No", "No", "Yes", "No", "No"),
  var3 = c("No", "No", "No", "No", "No", "Yes"))

setDT(df)

any_yes <- function(x) {
  if (any(x == 'Yes')) {
    return('Yes')
  }
  
  'No'
}

df[, lapply(.SD, any_yes), by = ID]

【讨论】：

【解决方案3】：

我从亲爱的@akrun 那里学到了更多方法，这消除了使用ifelse 的需要

library(dplyr)

df %>% 
  group_by(ID) %>%
  mutate(across(var1:var3, ~  c('No', 'Yes')[1 + as.logical(sum(. == 'Yes'))]))

#> # A tibble: 6 x 4
#> # Groups:   ID [3]
#>   ID     var1  var2  var3 
#>   <chr>  <chr> <chr> <chr>
#> 1 123abc Yes   No    No   
#> 2 123abc Yes   No    No   
#> 3 123abc Yes   No    No   
#> 4 456def No    Yes   No   
#> 5 456def No    Yes   No   
#> 6 789ghi No    No    Yes

^{由reprex package (v2.0.0) 于 2021-06-19 创建}

【讨论】：