选择行中包含特定值的列的名称

Question

我正在使用 data.frame：

        data.frame("A"=c(NA,5,NA,NA,NA),
                   "B"=c(1,2,3,4,NA),
                   "C"=c(NA,NA,NA,2,3),
                   "D"=c(NA,NA,NA,7,NA))

这会以这种形式提供一个 data.frame：

   A  B  C  D
1 NA  1 NA NA
2  5  2 NA NA
3 NA  3 NA NA
4 NA  4  2  7
5 NA NA  3 NA

我的目标是检查 data.frame 的每一行，是否有 值大于特定值（假设为 2）并获取名称属于这种情况的列。

所需的输出（值大于 2）应该是：

for row 1 of the data.frame
x[1,]: c()

for row 2
x[2,]: c("A")

for row3
x[3,]: c("B")

for row4
x[4,]: c("B","D")

and for row5 of the data.frame
x[5,]: c("C")

感谢您的帮助！

Answer 1

为什么不这样做

colnames(df[,df[i,]>2])

对于每一行，其中 df 是您的数据框，i 是行号 ;)

Answer 2

你可以使用which:

lapply(apply(dat, 1, function(x)which(x>2)), names)

dat 是您的数据框。

[[1]]
character(0)

[[2]]
[1] "A"

[[3]]
[1] "B"

[[4]]
[1] "B" "D"

[[5]]
[1] "C"

编辑 弗洛德尔建议的较短版本：

lapply(apply(dat > 2, 1, which), names)

---

编辑：（来自 Arun）

首先，不需要lapply 和apply。你可以通过apply获得同样的效果：

apply(dat > 2, 1, function(x) names(which(x)))

但是，在 data.frame 上使用 apply 会将其强制转换为矩阵，如果 data.frame 很大，这可能是不明智的。

Answer 3

为了回答@flodel 的疑虑，我将其写为单独的答案：

1) 使用lapply 会得到一个列表，而apply 并不总是保证这一点：

一个公平的观点。我会用一个例子来说明这个问题：

df <- structure(list(A = c(3, 5, NA, NA, NA), B = c(1, 2, 3, 1, NA), 
    C = c(NA, NA, NA, 2, 3), D = c(NA, NA, NA, 7, NA)), .Names = c("A", 
"B", "C", "D"), row.names = c(NA, -5L), class = "data.frame")

   A  B  C  D
1  3  1 NA NA
2  5  2 NA NA
3 NA  3 NA NA
4 NA  1  2  7
5 NA NA  3 NA

# using `apply` results in a vector:
apply(df, 1, function(x) names(which(x>2)))
# [1] "A" "A" "B" "D" "C"

那么，我们如何保证apply 的列表？

通过在函数参数中创建list，然后将unlist与recursive = FALSE一起使用，如下所示：

unlist(apply(df, 1, function(x) list(names(which(x>2)))), recursive=FALSE)
[[1]]
[1] "A"

[[2]]
[1] "A"

[[3]]
[1] "B"

[[4]]
[1] "D"

[[5]]
[1] "C"

2) lapply 整体较短，不需要匿名函数：

是的，但速度较慢。让我用一个大例子来说明这一点。

set.seed(45)
df <- as.data.frame(matrix(sample(c(1:10, NA), 1e5 * 100, replace=TRUE), 
               ncol = 100))

system.time(t1 <- lapply(apply(df > 2, 1, which), names))
   user  system elapsed 
  5.025   0.342   5.651 

system.time(t2 <- unlist(apply(df, 1, function(x) 
            list(names(which(x>2)))), recursive=FALSE))
   user  system elapsed 
  2.860   0.181   3.065 

identical(t1, t2) # TRUE

3) 所有答案都是错误的，并且答案适用于所有输入：

lapply(split(df, rownames(df)), function(x)names(x)[which(x > 2)])

首先，我不知道出了什么问题。如果您说的列表是unnamed，则可以通过在末尾设置名称​​仅一次 来更改。

第二，不幸的是，在 巨大的 data.frame 上使用 split，这将导致太多的拆分元素将非常慢（由于巨大的因素级别） .

# testing on huge data.frame
system.time(t3 <- lapply(split(df, rownames(df)), function(x)names(x)[which(x > 2)]))
   user  system elapsed
517.545   0.312 517.872

第三，这会将元素排序为1, 10, 100, 1000, 10000, 100000, ... 而不是1 .. 1e5。相反，可以只使用setNames 或setnames（来自data.table 包）最后只执行一次，如下所示：

# setting names just once
t2 <- setNames(t2, rownames(df)) # by copy

# or even better using `data.table` `setattr` function to 
# set names by reference
require(data.table)
tracemem(t2)
setattr(t2, 'names', rownames(df))
tracemem(t2)

比较输出并没有显示两者之间的任何其他差异（t3 和 t2）。您可以运行它来验证输出是否相同（耗时）：

all(sapply(names(t2), function(x) all(t2[[x]] == t3[[x]])) == TRUE) # TRUE