dplyr：突变内的整数采样

Question

我正在尝试在 tbl_df 中生成一列，它是 0 或 1 的随机整数。这是我正在使用的代码：

library(dplyr)
set.seed(0)

#Dummy data.frame to test
df <- tbl_df(data.frame(x = rep(1:3, each = 4)))

#Generate the random integer column
df_test = df %>% 
  mutate(pop=sample(0:1, 1, replace=TRUE))

但这似乎不像我预期的那样工作。我生成的字段似乎全为零。这是因为mutate 中的语句是并行评估的，因此最终使用相同的种子进行第一次随机抽取？

df_test 
Source: local data frame [12 x 2]

   x pop
1  1   0
2  1   0
3  1   0
4  1   0
5  2   0
6  2   0
7  2   0
8  2   0
9  3   0
10 3   0
11 3   0
12 3   0

在过去的几个小时里，我对此感到头疼。知道我的脚本有什么缺陷吗？

Answer 1

按照您的代码编写方式，您正在为整个向量分配一个值（随机抽取的结果）（这称为“向量回收”）。

在这种情况下，最好的解决方案是 Steven Beaupré 的回答，即创建一个与 data.frame 长度相同的随机向量：

df %>% 
  mutate(pop = sample(0:1, n(), replace = TRUE))

---

一般来说，如果您想在 dplyr 中逐行应用一个函数 - 正如您所想的那样 - 您可以使用 rowwise()，尽管在此示例中它不是必需的。

这是rowwise() 的示例：

df2 <- data.frame(a = c(1,3,6), b = c(2,4,5))

df2 %>%
  mutate(m = max(a,b))

  a b m
1 1 2 6
2 3 4 6
3 6 5 6

df2 %>%
  rowwise() %>%
  mutate(m = max(a,b))

  a b m
1 1 2 2
2 3 4 4
3 6 5 6

由于rowwise 对每行操作的数据进行分组，因此可能比没有任何分组的情况要慢。因此，最好尽可能使用向量化函数，而不是逐行操作。

---

基准测试：

rowwise() 的方法慢了大约 30 倍：

library(microbenchmark)
df <- tbl_df(data.frame(x = rep(1:1000, each = 4)))
bench <- microbenchmark(
  vectorized = df2 <- df %>% mutate(pop = sample(0:1, n(), replace = TRUE)),
  rowwise = df2 <- df %>% rowwise() %>% mutate(pop = sample(0:1, 1, replace = TRUE)),
  times = 1000
  )

options(microbenchmark.unit="relative")
print(bench)
autoplot(bench)

Unit: relative
       expr      min       lq     mean   median       uq     max neval
 vectorized  1.00000  1.00000  1.00000  1.00000  1.00000  1.0000  1000
    rowwise 42.53169 42.29486 36.94876 33.70456 34.92621 71.7682  1000