r 中的条件匹配和返回值

Question

我有两个名为 A 和 B 的表。 B 中有 30 万行。 a 中只有一行。 我想根据每一行的 B 中是否有匹配值来生成表 C。 如果是，返回1； 如果不是，返回0； 最后得到一个矩阵C，其中包括(0, 1)与B同行。我在excel中使用了Match函数，但是我的数据太大了。 可以在R中实现吗？

A：

A01B A01C A01D A01E A01F A01G

乙：

id1 a A01C  NA    NA    NA 
id2 b A01C A01D   NA    NA
id3 c B01C B03D   NA    NA
id4 d A01F A01F  A01F   NA
...

C：

A01B A01C A01D A01E A01F A01G
 0    1     0    0    0    0
 0    1     1    0    0    0
 0    0     0    0    0    0
 0    0     0    0    1    0

Answer 1

有很多方法可以做到这一点； 这是我能想到的。 （可能有一些非常巧妙和高效的东西，但我认为对于 300k 行，这可以）。

首先将您的代码转换为可重现的示例。

这里A是 R 中的一个向量（根据需要读取你的向量并强制转换为向量）

A <- c("A01B", "A01C", "A01D", "A01E", "A01F", "A01G")

我在这里使用data.table包是因为我喜欢它的语法。 你需要让你的 B 成为一个 data.table 而不仅仅是一个 data.frame

library(data.table)

# I used dput(B) to get this command to create a reproducible example
B <- data.table(structure(list(col1 = c("id1", "id2", "id3", "id4"), col2 = c("a", 
"b", "c", "d"), col3 = c("A01C", "A01C", "B01C", "A01F"), col4 = c(NA, 
"A01D", "B03D", "A01F"), col5 = c(NA, NA, NA, "A01F"), col6 = c(NA_character_, 
NA_character_, NA_character_, NA_character_)), class = "data.frame", row.names = c(NA, 
-4L)))

#      col1   col2   col3   col4   col5   col6
#    <char> <char> <char> <char> <char> <char>
# 1:    id1      a   A01C   <NA>   <NA>   <NA>
# 2:    id2      b   A01C   A01D   <NA>   <NA>
# 3:    id3      c   B01C   B03D   <NA>   <NA>
# 4:    id4      d   A01F   A01F   A01F   <NA>

---

现在解决你的问题。 先回答再解释。 回答：

> col_names <- tail(names(B), -2)
> B[,
     sapply(
         A,
         function (code) { pmin(1, rowSums(.SD == code, na.rm=T)) },
         simplify=F, USE.NAMES=T
      ),
      .SDcols=col_names
    ]
    A01B  A01C  A01D  A01E  A01F  A01G
   <num> <num> <num> <num> <num> <num>
1:     0     1     0     0     0     0
2:     0     1     1     0     0     0
3:     0     0     0     0     0     0
4:     0     0     0     0     1     0

编辑：刚刚意识到，如果您放弃数据框并只使用除 B 的前两列之外的所有矩阵，它会更容易阅读！ 您的结果也将是一个矩阵而不是一个数据框。

# B[, ..col_names] if using a data.table
# B[, col_names] if using a data.frame
sapply(A, function (code) { pmin(1, rowSums(B[, ..col_names] == code, na.rm=T)) })
     A01B A01C A01D A01E A01F A01G
[1,]    0    1    0    0    0    0
[2,]    0    1    1    0    0    0
[3,]    0    0    0    0    0    0
[4,]    0    0    0    0    1    0

---

说明：首先假设我只有一个代码“A01C”并且我只是想生成 A01C 列。

首先制作一个我们要检查的列名的向量（除前两个之外的所有内容）

col_names <- tail(names(B), -2)

然后检查这些列中是否有任何列是 A01C（ .SDcols=col_names只选择列 3 到 6）

# this is TRUE if the column has A01C in it. 
> B[, .SD == 'A01C', .SDcols=col_names]
      col3  col4  col5 col6
[1,]  TRUE    NA    NA   NA
[2,]  TRUE FALSE    NA   NA
[3,] FALSE FALSE    NA   NA
[4,] FALSE FALSE FALSE   NA

但是我们希望将这些组合为每行一个值。 我们可以通过在每行中添加 TRUE 来实现，这将返回匹配的数量。 rowSums将执行此操作。 我添加na.rm=T将 NA 视为 0。 .(A01C=rowSums(...))语法只是说“使输出成为名为 A01C 的列”。

# But we wnat to condense this to one value per row.
> B[, .(A01C=rowSums(.SD == 'A01C', na.rm=T) > 0), .SDcols=col_names]
    A01C
   <num>
1:     1
2:     1
3:     0
4:     0

太好了，所以现在我们只需要遍历A每个代码并为每个代码执行此操作。

> B[,
     sapply(
         A,
         function (code) { rowSums(.SD == code, na.rm=T) },
         simplify=F, USE.NAMES=T
      ),
      .SDcols=col_names
    ]
    A01B  A01C  A01D  A01E  A01F  A01G
   <num> <num> <num> <num> <num> <num>
1:     0     1     0     0     0     0
2:     0     1     1     0     0     0
3:     0     0     0     0     0     0
4:     0     0     0     0     3     0

除了注意这会返回匹配的数量（例如，A01F 列第 4 行有“3”而不是“1”，因为该行中有 3 个 A01F）。 你似乎只想要一个 1 或 0，所以我们可以取每个数字和 1 中的最小值（或者我们可以做一个 > 0 检查并转换为数字，没关系）。 为此，我们将rowSums(...)更改为pmin(1, rowSums(...))并获得上面已发布的所需结果。

Answer 2

您可以使用tidyr::unite将B的列值合并为一列，然后使用cSplit_e的splitstackshape将它们扩展为 1/0 值

result <- B %>%
 tidyr::unite(tmp, V3:V4, na.rm = TRUE) %>%
 splitstackshape::cSplit_e('tmp', sep = '_', type = 'character', fill = 0)

result

#   V1 V2       tmp tmp_A01C tmp_A01D tmp_A01F tmp_B01C tmp_B03D
#1 id1  a      A01C        1        0        0        0        0
#2 id2  b A01C_A01D        1        1        0        0        0
#3 id3  c B01C_B03D        0        0        0        1        1
#4 id4  d A01F_A01F        0        0        1        0        0

如果有某些价值A中不存在的B在所有我们可以使用setdiff在创建这些列result 。

result[setdiff(unlist(A), names(result))] <- 0

Answer 3

您可以将%in%与apply一起apply ：

C <- +t(apply(B, 1, "%in%", x=A))
colnames(C) <- A
C
#  A01B A01C A01D A01E A01F A01G
#a    0    1    0    0    0    0
#b    0    1    1    0    0    0
#c    0    0    0    0    0    0
#d    0    0    0    0    1    0

数据：

A <- c("A01B", "A01C", "A01D", "A01E", "A01F", "A01G")
B <- read.table(row.names=2, text="
id1 a A01C  NA    NA    NA 
id2 b A01C A01D   NA    NA
id3 c B01C B03D   NA    NA
id4 d A01F A01F  A01F   NA")[-1]