dplyr mutate - 如何使用 mutate 正确应用自定义函数？答案

【问题标题】：dplyr mutate - How to properly apply custom function with mutate?dplyr mutate - 如何使用 mutate 正确应用自定义函数？
【发布时间】：2018-10-17 14:00:59
【问题描述】：

我正在尝试迁移数据库并希望使用 R 来协助迁移。作为迁移过程的一部分，我需要更新“项目 ID”，因为它们已更改。我创建了一个函数来将旧 ID 映射到新 ID：

old_to_new <- function(id, df) {
  return (df[which(df$Old == id), ]$New)
}

但是，每当我尝试应用它来在我的数据框中添加一个新列（从数据库表加载）时：

library(tidyverse)
library(RODBC)

cn <- odbcDriverConnect(connection="Driver={SQL Server Native Client 11.0};server=xxx;database=xxx;uid=xxx;pwd=xxx;")
df <- sqlQuery(cn, "SELECT * FROM [MaintDB_New].[dbo].[Priority]")
ticket_df <- sqlQuery(cn, "SELECT * FROM [MaintDB_New].[dbo].[Tickets]")
ticket_details_df <- sqlQuery(cn, "SELECT * FROM [MaintDB_New].[dbo].[Ticket_Details]")
new_items <- read_csv("./ticket_itm_export_temp.csv", col_names = c("Old", "Name", "New"))

ticket_df_new <- ticket_df %>% mutate(item_id = old_to_new(itemID, new_items))

我收到以下错误：

Error in `[[<-.data.frame`(`*tmp*`, col, value = c(NA_integer_, NA_integer_,  : 
  replacement has 280 rows, data has 69430
In addition: Warning message:
In df$Old == id :
  longer object length is not a multiple of shorter object length

我做错了什么，正确的方法是什么。我在尝试使用 ddplyr 时收到了类似的错误。

我是 R 新手，所以如果这是一个明显的问题，我深表歉意。

编辑 - 添加数据结构：

    head(ticket_df)
  ticketID propertyID itemID roomNumber assignedToID isOpen openID latestID
1       11         10      1       <NA>           NA      0     22       23
2       12         17      1       <NA>           NA      0     24      289
3       13         17      1       <NA>           NA      0     25      292
4       14         17     17       <NA>           NA      0     26     4411
5       15         17     68       <NA>           NA      0     27      296
6       16         17     74       <NA>           NA      0     28      294

head(new_items)
           Old Name                    New
      <int> <chr>                 <int>
    1   257 Register Cash Drawers   425
    2   253 Alarm System            426
    3   135 CREDENZA/ ARMOIRE       427
    4    55 Back Office PC          428
    5   183 Backup All Data         429
    6   260 Base Boards             430

到 dput 输出的链接：ticket_df 和 new_items

【问题讨论】：

我建议只做一个left_join，类似ticket_df %>% left_join(new_items, by = c("id" == "Old")) %>% mutate(item_id = New)。还要确保new_items 没有重复的Old 条目，否则您最终会得到比开始时更多的行。如果这不起作用，请发布可重现的示例数据，以便我们了解发生了什么。使用 dput 为我们提供相关数据帧的前 10 行的复制/粘贴版本（看起来像 ticket_df 和 new_items 是相关的）。
谢谢，格雷戈尔。我不相信这对我有用。我已经为第一个数据帧添加了 head 的输出。
您的数据仍然不完整：帧之间没有任何东西可以联系在一起（没有共同的“关键”）。（请使用dput。）
关于可重现问题的一件事：代表性数据需要表明您试图展示的行为。在这种情况下，ticket_df$itemId 和 new_items$Old 之间没有匹配项，因此我们可能处理的任何代码都不会执行任何操作。（我试图根据找到任何匹配的列来推断“键”。感谢您澄清底层数据结构，所以我们现在只需要一个更具代表性的数据样本......请使用dput。）
我通过更改您的示例数据（在问题中）为我们提供匹配来回答。通常，许多人在问题中避开链接（例如，Dropbox）有两个原因：（1）由于病毒等风险而犹豫下载随机二进制文件； (2) 当这些链接失效时，这个问题不再是可重现的。目标是尽可能地封装在问题文本中。这建议将示例数据和代码修剪到演示问题所需的最小限度。

标签： r dplyr

【解决方案1】：

我（真的！）认为 Gregor 对left_joining 的评论很有道理。我将通过更改您的一些值来强制进行一些匹配：

new_items$Old[1:2] <- c(17L,74L)

现在加入：

library(dplyr)

ticket_df %>%
  left_join(select(new_items, Old, New), by=c("itemID" = "Old"))
#   ticketID propertyID itemID roomNumber assignedToID isOpen openID latestID New
# 1       11         10      1         NA           NA      0     22       23  NA
# 2       12         17      1         NA           NA      0     24      289  NA
# 3       13         17      1         NA           NA      0     25      292  NA
# 4       14         17     17         NA           NA      0     26     4411 425
# 5       15         17     68         NA           NA      0     27      296  NA
# 6       16         17     74         NA           NA      0     28      294 426

如果您对此感到满意，只需重新分配：

ticket_df %>%
  left_join(select(new_items, Old, New), by=c("itemID" = "Old")) %>%
  mutate(itemID = if_else(is.na(New), itemID, New)) %>%
  select(-New)
#   ticketID propertyID itemID roomNumber assignedToID isOpen openID latestID
# 1       11         10      1         NA           NA      0     22       23
# 2       12         17      1         NA           NA      0     24      289
# 3       13         17      1         NA           NA      0     25      292
# 4       14         17    425         NA           NA      0     26     4411
# 5       15         17     68         NA           NA      0     27      296
# 6       16         17    426         NA           NA      0     28      294

您也可以使用mutate(itemID = coalesce(New, itemID))，谢谢@Gregor。

但是，如果你需要使用一个函数（也许你的问题更复杂或者你需要更通用的东西），那么请注意：

通常，mutate 中使用的函数需要返回长度为 1 或与给定长度相同的向量；这意味着子集（就像您对df[which(df$Old == id), ]$New 所做的那样）通常不起作用。（如果你可以保证它总是返回长度 1，那么它就不会出错，但我猜这不安全。）。同样，summarize 要求（我相信）函数返回长度 1。

这是一个有点草率但得到相同结果的想法：

myfunc <- function(id, changes) {
  ind <- match(id, changes[["Old"]])
  indnonna <- !is.na(ind)
  id[which(indnonna)] <- changes[["New"]][ind[indnonna]]
  id
}

ticket_df %>%
  mutate(newid = myfunc(itemID, new_items))
#   ticketID propertyID itemID roomNumber assignedToID isOpen openID latestID newid
# 1       11         10      1         NA           NA      0     22       23     1
# 2       12         17      1         NA           NA      0     24      289     1
# 3       13         17      1         NA           NA      0     25      292     1
# 4       14         17     17         NA           NA      0     26     4411   425
# 5       15         17     68         NA           NA      0     27      296    68
# 6       16         17     74         NA           NA      0     28      294   426

您显然可以直接分配给itemID 而不是不同的列。我仍然不鼓励这样做，因为（1）连接效率更高；（2）我想更多地使用这个函数，也许可以找到一个更健壮的方法； (3) 它将new_items 的结构（即特定的列名）硬编码到函数中，而进行连接允许您在连接时指定发生的情况，使代码紧挨着使用结构的元素.

【讨论】：

哇，非常感谢您提供的有效答案和解释。希望我能给你更多的支持（感谢 Gregor 的 left_join 推荐）。
对一个好答案的小评论：dplyr 从一些 SQL 风格中移植了方便的 coalesce 函数，以获取第一个非缺失值，简化 if_else(is.na(New), itemID , 新)` 到coalesce(New, itemID)。
我正在处理其他一些事情并尝试了coalesce，但它没有工作......不知道为什么，它现在工作了，谢谢@Gregor。