对R数据帧进行快速测试，以查看一列中的行值是否在数据帧的另一列内

Question

我有一个营销数据的数据框，有22k记录和6列，其中2个是感兴趣的。

• 变量
• FO.variable

这是与数据帧样本的输出输出的链接： http ：//dpaste.com/2SJ6DPX

如果有更好的方式来分享这些数据，请告诉我。

我想要做的就是创建一个额外的二进制保留列，它应该是：

• 如果FO.variable在Variable内，则为1
• 如果FO.Variable不在变量内，则为0

看起来像一件简单的事情......在Excel中我只想添加另一个带有“if”公式的列，然后将公式粘贴下来。 我花了几个小时试图得到这个和R并失败。

这是我尝试过的：

1. 使用grepl进行模式匹配。 我之前使用过grepl，但这次我试图传递一个列而不是一个字符串。 我的早期尝试失败了，因为我试图强制grepl和ifelse使用列中的第一个值而不是整个事物导致grepl。

2. 我的下一次尝试是使用基于SO的另一篇文章的transform和grep。 我不认为这会给我我的确切答案，但我认为它会让我足够接近我从那里弄清楚...代码运行了一段时间而不是错误，因为无效的下标。

   transform(dd, Keep = FO.variable[sapply(variable, grep, FO.variable)])

3. 我的下一次尝试是使用str_detect，但我不认为这是正确的方法，因为我想要行级别值，我认为'any'将逐字地使用向量中的任何值？

   kk <- sapply(dd$variable, function(x) any(sapply(dd$FO.variable, str_detect, string = x)))

4. 编辑：刚试过一个for循环。 我更喜欢矢量化的方法，但我现在非常绝望。 之前我没有使用过for循环，因为我已经避免了它们并且坚持使用其他解决方案。 它似乎没有正常工作，不确定我是否搞砸了语法：

for(i in 1:nrow(dd)){ if(dd[i,4] %in% dd[i,2]) dd$test[i] <- 1 }

正如我所提到的，如果FO.variable在变量内，我的理想输出是一个额外的列，其中包含1或0。 例如，样本数据中的前三个记录将为1，第四个记录将为零，因为“直接/未知”不在“有机搜索，系统电子邮件”中。

如果解决方案可以快速运行，则会获得奖励。 应用选项花了很长时间，也许是因为它们在两个列的每次迭代中循环？

事实证明这并不像我想象的那么简单。 或许它是，而我只是一个笨蛋。 无论哪种方式，我都很感激如何最好地解决这个问题。

Answer 1

在你的情况下，我会选择一个简单的mapply ，正如你所说，行操作将非常慢。 另外，（正如Martin所建议的）设置fixed = TRUE并且先前转换为character将显着提高性能。

transform(dd, Keep = mapply(grepl, 
                            as.character(FO.variable), 
                            as.character(variable), 
                            fixed = TRUE))

#    VisitorIDTrue                        variable value      FO.variable FO.value  Keep
# 22      44888657 Direct / Unknown,Organic Search     1 Direct / Unknown        1  TRUE
# 2       44888657   Direct / Unknown,System Email     1 Direct / Unknown        1  TRUE
# 6       44888657             Direct / Unknown,TV     1 Direct / Unknown        1  TRUE
# 10      44888657     Organic Search,System Email     1 Direct / Unknown        1 FALSE
# 18      44888657               Organic Search,TV     1 Direct / Unknown        1 FALSE
# 14      44888657                 System Email,TV     1 Direct / Unknown        1 FALSE
# 24      44888657 Direct / Unknown,Organic Search     1   Organic Search        1  TRUE
# 4       44888657   Direct / Unknown,System Email     1   Organic Search        1 FALSE
...

Answer 2

我读了数据

df = dget("http://dpaste.com/2SJ6DPX.txt")

然后将“变量”列拆分为其部分，并计算出每个条目的长度

v = strsplit(as.character(df$variable), ",", fixed=TRUE)
len = lengths(v)    ## sapply(v, length) in R-3.1.3

然后我将v列入未列出状态并创建了一个索引，将未列出的v映射到它来自的行

uv = unlist(v)
idx = rep(seq_along(v), len)

最后，我找到了uv等于FO.variable中相应条目的索引

test = (uv == as.character(df$FO.variable)[idx])
df$Keep = FALSE
df$Keep[ idx[test] ] = TRUE

或者组合（返回逻辑向量似乎比修改后的data.frame更有用，可以用dd$Keep = f0(dd) ）

f0 = function(dd) {
    v = strsplit(as.character(dd$variable), ",", fixed=TRUE)
    len = lengths(v)
    uv = unlist(v)
    idx = rep(seq_along(v), len)

    keep = logical(nrow(dd))
    keep[ idx[uv == as.character(dd$FO.variable)[idx]] ] = TRUE
    keep
}

（使用列是因子的事实可以更快地做到这一点，但也许这不是故意的？）与（通常更简单，更容易理解）相比

f1 = function(dd) 
    mapply(grepl, dd$FO.variable, dd$variable, fixed=TRUE)

f1a = function(dd)
    mapply(grepl, as.character(dd$FO.variable), 
           as.character(dd$variable), fixed=TRUE)

f2 = function(dd)
    apply(dd, 1, function(x) grepl(x[4], x[2], fixed=TRUE))

同

> library(microbenchmark)
> identical(f0(df), f1(df))
[1] TRUE
> identical(f0(df), unname(f2(df)))
[1] TRUE
> microbenchmark(f0(df), f1(df), f1a(df), f2(df))
Unit: microseconds
    expr     min       lq      mean   median       uq     max neval
  f0(df)  57.559  64.6940  70.26804  69.4455  74.1035  98.322   100
  f1(df) 573.302 603.4635 625.32744 624.8670 637.1810 766.183   100
 f1a(df) 138.527 148.5280 156.47055 153.7455 160.3925 246.115   100
  f2(df) 494.447 518.7110 543.41201 539.1655 561.4490 677.704   100

在计时的发展过程中，两个微妙但重要的补充是在正则表达式中使用fixed = TRUE，并强制将这些因素强加给人物。

Answer 3

这是一个data.table方法，我认为它与Martin的精神非常相似：

require(data.table)

dt <- data.table(df)
dt[,`:=`(
    fch = as.character(FO.variable),
    rn  = 1:.N
)]

dt[,keep:=FALSE]
dtvars <- dt[,strsplit(as.character(variable),',',fixed=TRUE),by=rn]
setkey(dt,rn,fch)
dt[dtvars,keep:=TRUE]

dt[,c("fch","rn"):=NULL]

这个想法是

1. 识别所有rn ＆ variable对（保存在dtvars ）和
2. 看看这些对中的F0.variable对与rn和F0.variable对匹配（在原始表中， dt ）。