【问题标题】:Alternatives to a for loop with indexing - R带索引的 for 循环的替代方案 - R
【发布时间】:2015-01-26 20:53:27
【问题描述】:

我正在将非结构化数据转换为长格式,并且需要创建一个 ID(分组)变量。我想根据另一个变量中包含的值集分配一个 ID 变量。更具体地说,考虑以下数据集。

set.seed(1234); x.1 <- rep(letters[1:5], 10)
x.2 <- sample(c(0:10), 50, replace=TRUE)
x.3 <- rep(NA, 50); df <- data.frame(x.1, x.2, x.3) 
df <- df[-c(2, 19),]

可以从 x.1 变量中识别出一个独特的案例——它以a 开头,以e 结尾。情况总是如此。 x.3 将保存 ID(分组)变量。

> head(df, 9)
x.1 x.2 x.3
a   1    NA
c   6    NA
d   6    NA
e   9    NA
a   7    NA
b   0    NA
c   2    NA
d   7    NA
e   5    NA

对于给定案例,a 和 e 之间的记录数可能会有很大差异(在实际数据文件中)。因此,我无法通过简单地将变量除以固定数量的记录来分配唯一 ID。我想出了如何使用 for 循环进行正确的分配:

START <- which(df$x.1== "a")
END <- which(df$x.1 == "e")
for(i in 1:length(START)){df$x.3[START[i]:END[i]] <- i}

head(df, 9)
x.1 x.2 x.3
a   1    1
c   6    1
d   6    1
e   9    1
a   7    2
b   0    2
c   2    2
d   7    2
e   5    2

这种方法的一个明显问题是对于超过一百万条记录的数据集来说速度太慢了。似乎lapply 可能是另一种选择,但我似乎无法弄清楚如何指定一个案例何时结束以及一个新案例何时开始,因为它遍历数据文件。而且,如果存在一个现有的答案,请随时指出我 - 我没有一个很好的答案!

提前致谢。

【问题讨论】:

    标签: r lapply


    【解决方案1】:

    如果组之间没有间隔,即每个“e”后跟一个“a”代表下一个组,您可以轻松使用cumsum:

    df$x.3 <- cumsum(df$x.1 == "a")
    df
    #   x.1 x.2 x.3
    #1    a   1   1
    #3    c   6   1
    #4    d   6   1
    #5    e   9   1
    #6    a   7   2
    #7    b   0   2
    #8    c   2   2
    #9    d   7   2
    #10   e   5   2
    #11   a   7   3
    #12   b   5   3
    #13   c   3   3
    #...
    

    如果您的数据非常大,您可以使用 data.table 通过引用来更新数据:

    library(data.table)
    setDT(df)[, x.3 := cumsum(x.1 == "a")]
    

    正如@nicola 在 cmets 中正确指出的那样,这假定 as 仅出现在组的开头,不在组的中间。根据样本数据,这似乎是一个有效的假设。


    它是如何工作的:

    让我们取列“x.1”的一个子集:

    x <- df$x.1[1:15]
    x
    # [1] a c d e a b c d e a b c d e a
    #Levels: a b c d e
    

    您现在可以检查 x 是否等于“a”,这将创建一个逻辑向量:

    x == "a"
    # [1]  TRUE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE  TRUE
    

    现在,cumsum 做了什么:它将所有 TRUE 值(本质上是 1)累加相加:

    cumsum(x == "a")
    # [1] 1 1 1 1 2 2 2 2 2 3 3 3 3 3 4
    

    因此,您可以使用像数字向量这样的逻辑向量,并像使用 1 和 0 的向量一样使用它们进行数学计算。

    【讨论】:

    • 这很优雅。你能描述一下 cumsum 是如何做到这一点的吗?说的很对,但逻辑我不完全理解。
    • +1。但是,如果“a”可以重复,这可能会失败。在这种情况下,一个更通用(虽然相当慢)的解决方案可能是cumsum(c(TRUE,df$x.1[1:(nrow(df)-1)]=="e" &amp; df$x.1[2:nrow(df)]=="a")),唯一的条件是一个 case 以“e”结尾并以“a”开头。
    • @BrianP,我添加了解释
    猜你喜欢
    • 2015-07-30
    • 1970-01-01
    • 1970-01-01
    • 2020-11-14
    • 1970-01-01
    • 1970-01-01
    • 1970-01-01
    • 1970-01-01
    • 2021-10-19
    相关资源
    最近更新 更多