r - R根据列值编辑数据框

Question

假设我有一个大约 1M 行的表格，格式如下：

id  paid_2000  paid_2001  paid_2002  paid_2003  censor_yr
1   10         20         10         20         2001
2   15         25         15         15         2003

在支付年份大于或等于审查年份的情况下，将每个观测值设置为 NA 的有效方法是什么？特别是，我希望表格看起来像这样：

id  paid_2000  paid_2001  paid_2002  paid_2003  censor_yr
1   10         NA         NA         NA         2001
2   15         25         15         NA         2003

Answer 1

我们创建一个“付费”（“pi”）列的索引，使用“pi”对列进行子集化，通过将“付费”列的列名中的年份子字符串与“付费”列的列名进行比较来创建逻辑值矩阵censor_yr' 列并将其分配给 NA。

pi <- grep("paid", names(df1))
df1[pi][matrix(as.numeric(sub(".*_", "", names(df1)[pi]))[col(df1[pi])] >=
                       df1$censor_yr, nrow=2)] <- NA
df1
#   id paid_2000 paid_2001 paid_2002 paid_2003 censor_yr
#1  1        10        NA        NA        NA      2001
#2  2        15        25        15        NA      2003

---

或者我们可以这样做data.table set更有效率。从'paid'列名中获取年份子串names，转换为data.table（setDT(df1)），循环遍历'pi'中的列和set满足'i'中条件的NA。

library(data.table)
nm1 <- as.numeric(sub(".*_", "", names(df1)[pi]))
setDT(df1)
for(j in seq_along(pi)){
   set(df1, i = which(nm1[j] >= df1$censor_yr), j= pi[j], value = NA)
}

Answer 2

使用dplyr：

library(dplyr)
df %>%
  gather(paid_yr, value, grep("paid", names(.))) %>%
  mutate(value = ifelse(as.numeric(gsub(".*_", "", paid_yr)) >= censor_yr, 
                        NA, value)) %>%
  spread(paid_yr, value)

%>% select在底部扔一条链子以移censor_yr回末端。

如果你愿意，可以解释它是如何工作的。可能会或可能不会比 akrun 的答案更容易阅读。