我经常需要使用自定义函数一次通过附加的几列来改变数据框,最好是使用并行化。以下是我已经知道如何做到这一点的方法。
设置
library(dplyr)
library(plyr)
library(purrr)
library(doMC)
registerDoMC(2)
df <- data.frame(x = rnorm(10), y = rnorm(10), z = rnorm(10))
假设我想要两个新列foocol = x + y
和barcol = (x + y) * 100
,但这些实际上是在自定义函数中完成的复杂计算。
方法 1:使用rowwise
and分别添加列mutate
foo <- function(x, y) return(x + y)
bar <- function(x, y) return((x + y) * 100)
df_out1 <- df %>% rowwise() %>% mutate(foocol = foo(x, y), barcol = bar(x, y))
这不是一个好的解决方案,因为它需要对每行进行两次函数调用,并且需要对x + y
. 它也没有并行化。
方法2:欺骗ddply
行操作
df2 <- df
df2$id <- 1:nrow(df2)
df_out2 <- ddply(df2, .(id), function(r) {
foocol <- r$x + r$y
barcol <- foocol * 100
return(cbind(r, foocol, barcol))
}, .parallel = T)
在这里,我通过拆分我刚刚创建的唯一列来欺骗ddply
在每一行上调用一个函数。id
但是,它很笨重,并且需要维护一个无用的列。
方法三:splat
foobar <- function(x, y, ...) {
foocol <- x + y
barcol <- foocol * 100
return(data.frame(x, y, ..., foocol, barcol))
}
df_out3 <- splat(foobar)(df)
我喜欢这个解决方案,因为您可以df
在没有数组理解的情况下引用自定义函数中的列(如果需要,可以是匿名的)。但是,此方法不是并行化的。
方法四:by_row
df_out4 <- df %>% by_row(function(r) {
foocol <- r$x + r$y
barcol <- foocol * 100
return(data.frame(foocol = foocol, barcol = barcol))
}, .collate = "cols")
purrr中的by_row
函数消除了对唯一列的需要,但此操作不是并行化的。id
方法五:pmap_df
df_out5 <- pmap_df(df, foobar)
# or equivalently...
df_out5 <- df %>% pmap_df(foobar)
这是我找到的最佳选择。函数族pmap
还接受匿名函数以应用于参数。不过,我相信会pmap_df
转换df
为列表并返回,因此可能会影响性能。
function(x, y, ...)
我需要在函数定义中引用我计划用于计算的所有列,而不仅仅是function(r)
行对象,这也有点烦人。
我错过了任何好的或更好的选择吗?我描述的方法有什么问题吗?