[英]R: fast (conditional) subsetting where feasible
我想对我的数据行进行子集化
library(data.table); set.seed(333); n <- 100
dat <- data.table(id=1:n, x=runif(n,100,120), y=runif(n,200,220), z=runif(n,300,320))
> head(dat)
id x y z
1: 1 109.3400 208.6732 308.7595
2: 2 101.6920 201.0989 310.1080
3: 3 119.4697 217.8550 313.9384
4: 4 111.4261 205.2945 317.3651
5: 5 100.4024 212.2826 305.1375
6: 6 114.4711 203.6988 319.4913
分几个阶段。 我知道我可以按顺序应用subset(.)
来实现这一点。
> s <- subset(dat, x>119)
> s <- subset(s, y>219)
> subset(s, z>315)
id x y z
1: 55 119.2634 219.0044 315.6556
我的问题是我需要自动执行此操作,并且可能会发生子集为空的情况。 在这种情况下,我想跳过导致空集的步骤。 例如,如果我的数据是
dat2 <- dat[1:50]
> s <-subset(dat2,x>119)
> s
id x y z
1: 3 119.4697 217.8550 313.9384
2: 50 119.2519 214.2517 318.8567
第二步subset(s, y>219)
会出现空白,但我仍然想要应用第三步子subset(s,z>315)
。 有没有办法只应用子集命令导致非空集? 我想像subset(s, y>219, nonzero=TRUE)
。 我想避免像这样的结构
s <- dat
if(nrow(subset(s, x>119))>0){s <- subset(s, x>119)}
if(nrow(subset(s, y>219))>0){s <- subset(s, y>219)}
if(nrow(subset(s, z>318))>0){s <- subset(s, z>319)}
因为我担心if-then丛林会相当慢,特别是因为我需要使用lapply(.)
将所有这些应用于列表中的不同data.tables。 这就是我希望找到针对速度优化的解决方案的原因。
PS。 为清晰起见,我只选择subset(.)
,如果不是更多,那么使用例如data.table的解决方案也会受到欢迎。
我同意康拉德的回答,这应该发出警告或者至少报告某种情况会发生什么。 这是一个利用索引的data.table方法(有关详细信息,请参阅包装插图):
f = function(x, ..., verbose=FALSE){
L = substitute(list(...))[-1]
mon = data.table(cond = as.character(L))[, skip := FALSE]
for (i in seq_along(L)){
d = eval( substitute(x[cond, verbose=v], list(cond = L[[i]], v = verbose)) )
if (nrow(d)){
x = d
} else {
mon[i, skip := TRUE]
}
}
print(mon)
return(x)
}
用法
> f(dat, x > 119, y > 219, y > 1e6)
cond skip
1: x > 119 FALSE
2: y > 219 FALSE
3: y > 1e+06 TRUE
id x y z
1: 55 119.2634 219.0044 315.6556
详细选项将打印data.table包提供的额外信息,因此您可以查看索引的使用时间。 例如,使用f(dat, x == 119, verbose=TRUE)
,我看到它。
因为我担心if-then丛林会相当慢,特别是因为我需要使用lapply(。)将所有这些应用于列表中的不同data.tables。
如果是非交互式使用,可能最好使用函数返回list(mon = mon, x = x)
来更容易地跟踪查询是什么以及发生了什么。 此外,可以捕获并返回详细的控制台输出。
可以使用dplyr
提供的修改filter
功能开发一种有趣的方法。 如果条件不满足,则non_empty_filter
过滤器函数将返回原始数据集。
warning
报告。 当然,这可以被删除,并且与功能结果无关。 library(tidyverse)
library(rlang) # enquo
non_empty_filter <- function(df, expr) {
expr <- enquo(expr)
res <- df %>% filter(!!expr)
if (nrow(res) > 0) {
return(res)
} else {
# Indicate that filter is not applied
warning("No rows meeting conditon")
return(df)
}
}
行为:返回满足条件的一行。
dat %>%
non_empty_filter(x > 119 & y > 219)
# id x y z
# 1 55 119.2634 219.0044 315.6556
行为:由于y > 1e6
因为不满足整个条件,则返回完整数据集。
dat %>%
non_empty_filter(x > 119 & y > 219 & y > 1e6)
# id x y z
# 1: 1 109.3400 208.6732 308.7595
# 2: 2 101.6920 201.0989 310.1080
# 3: 3 119.4697 217.8550 313.9384
# 4: 4 111.4261 205.2945 317.3651
# 5: 5 100.4024 212.2826 305.1375
# 6: 6 114.4711 203.6988 319.4913
# 7: 7 112.1879 209.5716 319.6732
# 8: 8 106.1344 202.2453 312.9427
# 9: 9 101.2702 210.5923 309.2864
# 10: 10 106.1071 211.8266 301.0645
行为:跳过将返回空数据集的过滤器。
dat %>%
non_empty_filter(y > 1e6) %>%
non_empty_filter(x > 119) %>%
non_empty_filter(y > 219)
# id x y z
# 1 55 119.2634 219.0044 315.6556
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.