通过数据帧迭代R效率

Question

我正在使用大型数据集，可以将其称为data ，并希望创建一个新列，可以基于某些列data$input将其命名为data$results 。 结果基于某些条件的if / then逻辑，所以我最初的方法是：

for (rows in data) {
    data$results <- if(data$results == "1" | data$results== "2") {
        trueAnswer
    } else {
        falseAnswer
    }
}

对于大数据帧，此过程可能需要几个小时才能运行。 但是，如果我将数据子集化为仅包含data $ results为1或2的条目，而又不包含true的条目的数据帧，则可以将trueAnswer应用于一个数据帧，将falseAnswer应用于另一个数据帧。 然后，我可以重新绑定数据帧。 这种方法只需要几分钟。

为什么后者使用子集的方法要快得多？ 在这种情况下，此过程将应用于许多不同的数据集，因此前一种方法太慢而无法实用。 我只是想了解导致第一种方法效率不足的原因。

Answer 1

始终建议提供一个完全可复制且最少的示例数据示例 。 这样，我们可以根据您的样本数据提供特定的帮助。

在很多情况下，可以避免在R中使用显式的for循环，而是可以使用优化的矢量化操作。 例如ifelse是这样的向量化函数。

通常， dplyr语法如下所示：

library(dplyr);
library(magrittr);
data %>%
    mutate(results = ifelse(input == 1 | input == 2, "1 or 2", "Neither 1 nor 2"))

---

更新资料

要查看ifelse是如何矢量化的，请看一下?ifelse 。

值：

一个与“测试”具有相同长度和属性（包括尺寸和“类”）的向量，并且数据值来自“是”或“否”。 [...]

因此，换句话说，如果ifelse评估100个条件，则返回对象的长度为100。

这可能导致以下可能令人惊讶/意外的结果：

ifelse(c(TRUE), c(100, 200), c(300, 400))
#[1] 100

返回对象是c(100, 200)元素1，因为逻辑条件的长度为1。

ifelse(c(TRUE, TRUE, TRUE), c(100, 200), c(300, 400))
#[1] 100 200 100

返回对象的长度为3，因为逻辑条件的长度为3； 由于c(100, 200)只有两个元素，因此R需要回收条目。

Answer 2

R效率是围绕矢量而不是循环设计的。 很少（尽管确实会发生）for或while循环是解决问题的最佳方法。 对于您的情况，最好使用if / else的向量化版本：ifelse。 它需要一个测试向量（例如， result %in% 1:2 ）和两个可能的响应向量，具体取决于测试结果。 所有这些必须具有相同的长度。 当您给出长度为1的答案时，它将扩展到适当的长度，否则会出现错误。 在这里，它看起来像这样：

data$results <- ifelse(results %in% 1:2, trueAnswer, falseAnswer)