r - 如何在 R/dplyr 中最多取几列

Question

我的数据看起来基本上是这样的：

id <- c(1:5)
VolumeA <- c(12, NA, NA, NA, NA)
VolumeB <- c(NA, 34, NA, NA, NA)
VolumeC <- c(NA, NA, 56, NA, NA)
VolumeD <- c(NA, NA, NA, 78, NA)
VolumeE <- c(NA, NA, NA, NA, 90)

df_now <- tibble(id, VolumeA, VolumeB, VolumeC, VolumeD, VolumeE)
df_now

# A tibble: 5 x 6
     id VolumeA VolumeB VolumeC VolumeD VolumeE
  <int>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>
1     1      12      NA      NA      NA      NA
2     2      NA      34      NA      NA      NA
3     3      NA      NA      56      NA      NA
4     4      NA      NA      NA      78      NA
5     5      NA      NA      NA      NA      90

在 IRL 数据集中，还有很多Volume[label]列，但在每一行中，我只需要其中之一：最大的列。所以我想创建一个具有最大值的新变量：

Volume <- c(12, 34, 56, 78, 90)
df_desired <- cbind(df_now, Volume)
df_desired

  id VolumeA VolumeB VolumeC VolumeD VolumeE Volume
1  1      12      NA      NA      NA      NA     12
2  2      NA      34      NA      NA      NA     34
3  3      NA      NA      56      NA      NA     56
4  4      NA      NA      NA      78      NA     78
5  5      NA      NA      NA      NA      90     90

在查看了 dplyr 文档后，我尝试了这个......

library(tidyverse)
df_try <- df_now %>%
  mutate(Volume = across(contains("Volume"), max, na.rm = TRUE))

...但是得到了一小部分数据，而不是一列。有人可以告诉我如何正确执行此操作吗？

gather（请假设，由于我的 IRL 数据问题太复杂，无法在此处解释，我不能只spread使用我的数据。我想使用条件mutate.）

score 3 · Accepted Answer

由于您有“更多Volume[label]列”，任何适用于每一行（rowwise）或单独适用于每一列（带有reduce或Reduce）的解决方案都将比必要的慢得多。

df_now %>%
  mutate(Volume = do.call(pmax, c(select(., starts_with('Volume')), na.rm = TRUE)))
# # A tibble: 5 x 7
#      id VolumeA VolumeB VolumeC VolumeD VolumeE Volume
#   <int>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>  <dbl>
# 1     1      12      NA      NA      NA      NA     12
# 2     2      NA      34      NA      NA      NA     34
# 3     3      NA      NA      56      NA      NA     56
# 4     4      NA      NA      NA      78      NA     78
# 5     5      NA      NA      NA      NA      90     90

相对改善的证明：

使用Reduceorpurrr::reduce或任何将迭代每列的东西（好吧，使用nc列，然后它将迭代nc-1次数）：

mypmax <- function(...) { message("mypmax"); pmax(...); }
df_now %>%
  mutate(Volume = reduce(select(., starts_with('Volume')), mypmax, na.rm = TRUE))
# mypmax
# mypmax
# mypmax
# mypmax
# # A tibble: 5 x 7
#      id VolumeA VolumeB VolumeC VolumeD VolumeE Volume
#   <int>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>  <dbl>
# 1     1      12      NA      NA      NA      NA     12
# 2     2      NA      34      NA      NA      NA     34
# 3     3      NA      NA      56      NA      NA     56
# 4     4      NA      NA      NA      78      NA     78
# 5     5      NA      NA      NA      NA      90     90

任何事情都会rowwise每行执行一次，甚至可能更糟（假设数据中的行数多于列数：

mymax <- function(...) { message("mymax"); max(...); }
df_now %>%
  rowwise %>%
  mutate(Volume = mymax(c_across(starts_with('Volume')), na.rm = TRUE))
# mymax
# mymax
# mymax
# mymax
# mymax
# # A tibble: 5 x 7
# # Rowwise: 
#      id VolumeA VolumeB VolumeC VolumeD VolumeE Volume
#   <int>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>  <dbl>
# 1     1      12      NA      NA      NA      NA     12
# 2     2      NA      34      NA      NA      NA     34
# 3     3      NA      NA      56      NA      NA     56
# 4     4      NA      NA      NA      78      NA     78
# 5     5      NA      NA      NA      NA      90     90

对所有列、所有行执行一次：

mypmax <- function(...) { message("mypmax"); pmax(...); }
df_now %>%
  mutate(Volume = do.call(mypmax, c(select(., starts_with('Volume')), na.rm = TRUE)))
# mypmax
# # A tibble: 5 x 7
#      id VolumeA VolumeB VolumeC VolumeD VolumeE Volume
#   <int>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>  <dbl>
# 1     1      12      NA      NA      NA      NA     12
# 2     2      NA      34      NA      NA      NA     34
# 3     3      NA      NA      56      NA      NA     56
# 4     4      NA      NA      NA      78      NA     78
# 5     5      NA      NA      NA      NA      90     90

在这种规模下，基准测试是次要的，但对于更大的数据会更加引人注目：

microbenchmark::microbenchmark(
  red = df_now %>% mutate(Volume = reduce(select(., starts_with('Volume')), pmax, na.rm = TRUE)),
  row = df_now %>% rowwise %>% mutate(Volume = max(c_across(starts_with('Volume')), na.rm = TRUE)),
  sgl = df_now %>% mutate(Volume = do.call(pmax, c(select(., starts_with('Volume')), na.rm = TRUE)))
)
# Unit: milliseconds
#  expr    min      lq     mean  median      uq     max neval
#   red 4.9736 5.36240 7.240561 5.68010 6.19915 70.7482   100
#   row 4.5813 5.02020 6.082047 5.34460 5.70345 63.1166   100
#   sgl 3.8270 4.18605 5.803043 4.43215 4.76030 65.7217   100

score 2 · Accepted Answer

我们可以使用pmax（首先在pmax此处发布解决方案）。请注意，相对改进非常小do.call

library(dplyr)
library(purrr)
df_now %>%
    mutate(Volume = reduce(select(., starts_with('Volume')), pmax, na.rm = TRUE))
# A tibble: 5 x 7
#     id VolumeA VolumeB VolumeC VolumeD VolumeE Volume
#  <int>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>  <dbl>
#1     1      12      NA      NA      NA      NA     12
#2     2      NA      34      NA      NA      NA     34
#3     3      NA      NA      56      NA      NA     56
#4     4      NA      NA      NA      78      NA     78
#5     5      NA      NA      NA      NA      90     90

或使用c_acrossand max（仅使用tidyverse方法）

df_now %>%
   rowwise %>%
   mutate(Volume = max(c_across(starts_with('Volume')), na.rm = TRUE))
# A tibble: 5 x 7
# Rowwise: 
#     id VolumeA VolumeB VolumeC VolumeD VolumeE Volume
#  <int>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>  <dbl>
#1     1      12      NA      NA      NA      NA     12
#2     2      NA      34      NA      NA      NA     34
#3     3      NA      NA      56      NA      NA     56
#4     4      NA      NA      NA      78      NA     78
#5     5      NA      NA      NA      NA      90     90

基准

system.time({df_now %>% mutate(Volume = reduce(select(., starts_with('Volume')), pmax, na.rm = TRUE))})
#   user  system elapsed 
#  0.023   0.006   0.029 

system.time({df_now %>% rowwise %>% mutate(Volume = max(c_across(starts_with('Volume')), na.rm = TRUE))})
#   user  system elapsed 
#  0.012   0.002   0.015 

system.time({df_now %>% mutate(Volume = do.call(pmax, c(select(., starts_with('Volume')), na.rm = TRUE)))})
#   user  system elapsed 
#  0.011   0.001   0.011

注意：时间上没有太大差异

r - 如何在 R/dplyr 中最多取几列

2 回答 2

基准

Related