5

我有一个巨大的 1000 x 100000 数据框，如下所示，可以重新编码为数字值。

myd <- data.frame (v1 = sample (c("AA", "AB", "BB", NA), 10, replace = T),
                   v2 = sample (c("CC", "CG", "GG", NA), 10, replace = T),
                   v3 = sample (c("AA", "AT", "TT", NA) , 10, replace = T),
                   v4 = sample (c("AA", "AT", "TT", NA) , 10, replace = T),
                   v5 = sample (c("CC", "CA", "AA", NA) , 10, replace = T)
                   )
myd
     v1   v2   v3   v4   v5
1    AB   CC <NA> <NA>   AA
2    AB   CG   TT   TT   AA
3    AA   GG   AT   AT   CA
4  <NA> <NA> <NA>   AT <NA>
5    AA <NA>   AA <NA>   CA
6    BB <NA>   TT   TT   CC
7    AA   GG   AA   AT   CA
8  <NA>   GG <NA>   AT   CA
9    AA <NA>   AT <NA>   CC
10   AA   GG   TT   AA   CC

每个变量可能有四个唯一值。

unique(myd$v1)

[1] AB   AA   <NA> BB  
Levels: AA AB BB

unique(myd$v2)

[1] CC   CG   GG   <NA>
  Levels: CC CG GG

这样的唯一值可以是任何组合，但是由两个字母组成（- NA 除外）。例如，“A”、“B”在第一种情况下将组合成“AA”、“AB”、“BB”。这些的数字代码分别为 1、0、-1。类似地，对于第二种情况，字母“C”、“G”组成“CC”、“CG”、“GG”，因此数字代码分别为 1、0、-1。因此，上面的 myd 需要重新编码为：

 myd
         v1   v2   v3    v4      v5
    1    0   1     <NA>  <NA>    1
    2    0   0     -1    -1      1
    3    1   -1     0    0       0
    4  <NA>  <NA>  <NA>   0     <NA>
    5    1  <NA>    1  < NA>      0
    6   -1  <NA>    -1    -1      -1
    7    1   -1    1      0        0
    8  <NA>   -1   <NA>   0        0
    9    1  <NA>    0    <NA>     -1
    10   1   -1    -1     1       -1
4

3 回答 3

8

我将发布一个不同的解决方案——（跳至data.table超快方法！）

如果你想重新编码AA, AB, BB，1,0,-1等等，你可以使用索引（以及数字解决方案的因子）。如果您愿意，这将使您有不同的重新编码！

自制重新编码功能

simple_recode <- function(.x, new_codes){
  new_codes[as.numeric(.x)]
 }

as.data.frame(lapply( myd, simple_recode, new_codes = 1:-1))

利用factor

factor您可以通过调用新级别来简单地重新标记字母labels

as.data.frame(lapply(myd, factor, labels = 1:-1))

data.table为了效率

如果您的数据很大，那么我建议采用data.table一种节省内存和时间的方法。

library(data.table)
DT <- as.data.table(myd)
as.data.table(DT[,lapply(.SD, simple_recode, new_codes = 1:-1))])

或者，更高效

as.data.table(DT[, lapply(.SD, setattr, 'levels', 1:-1)])

或者，甚至更有效（修改适当的级别，并避免 as.data.table 调用）

 for(name in names(DT)){
    setattr(DT[[name]],'levels',1:-1)
     }

setattr通过引用修改，所以没有复制。

使用 data.table 和 setattr 的几乎瞬时方法

正如这个大数据集所展示的

# some big data (100 columns, 1e6 rows)
big  <- replicate(100, factor(sample(c('AA','AB','BB', NA), 1e6, T)), simplify = F)
bigDT <- as.data.table(big)

system.time({
  for(name in names(big)){
    setattr(big[[name]],'levels',1:-1)
     }
  }))

##  user  system elapsed 
##    0        0       0
于 2012-09-17T23:53:59.253 回答
7

您可以利用您的数据是因子的事实，这些因子下面有数字索引。

例如：

> as.numeric(myd$v1)
 [1]  2  2  1 NA  1  3  1 NA  1  1

数值对应于levels()因子的：

> levels(myd$v1)
[1] "AA" "AB" "BB"

所以 1 == AA, 2 == AB, 3 == BB...等等。

因此，您可以简单地将数据转换为数字，并应用必要的数学运算来让您的数据按您想要的方式缩放。所以我们可以减去 2，然后乘以 -1 得到你的结果：

(sapply(myd, as.numeric) - 2) * -1
#-----
      v1 v2 v3 v4 v5
 [1,]  0  1 NA NA  1
 [2,]  0  0 -1 -1  1
 [3,]  1 -1  0  0  0
 [4,] NA NA NA  0 NA
 [5,]  1 NA  1 NA  0
 [6,] -1 NA -1 -1 -1
 [7,]  1 -1  1  0  0
 [8,] NA -1 NA  0  0
 [9,]  1 NA  0 NA -1
[10,]  1 -1 -1  1 -1
于 2012-09-17T16:06:01.657 回答
4

If you set up an assignment so the LHS has the proper structure, you can use the implicitly coerced values of the factors as indices into the values you want:

> myd[] <- c(-1,0,1)[data.matrix(myd)]
> myd
   v1 v2 v3 v4 v5
1  NA  0  0  0  1
2  -1  1  0  0 -1
3   0 NA  1  0  0
4  NA -1 -1  0 -1
5  -1  0  1 -1 NA
6   0 NA  0  1 NA
7  NA  0  1 NA -1
8   0  0  0 -1  1
9  -1 NA  1 -1 NA
10  0  1  1 NA NA
于 2012-09-18T00:21:33.303 回答