[R]：根據條件行位置將函數應用於列

Question

我試圖在遇到該列的最大值后，在數據框中找到滿足某個條件的列的觀察數。

這是一個高度簡化的例子：

fake.dat<-data.frame(samp1=c(5,6,7,5,4,5,10,5,6,7), samp2=c(2,3,4,6,7,9,2,3,7,8), samp3=c(2,3,4,11,7,9,2,3,7,8),samp4=c(5,6,7,5,4,12,10,5,6,7))

       samp1 samp2 samp3 samp4
1      5     2     2     5
2      6     3     3     6
3      7     4     4     7
4      5     6    11     5
5      4     7     7     4
6      5     9     9    12
7     10     2     2    10
8      5     3     3     5
9      6     7     7     6
10     7     8     8     7

因此，假設在排除列中的所有觀察結果（包括列的最大值出現的行）之后，我試圖找到每列大於5的觀察數。

預期結果：

samp1 samp2 samp3 samp4 
   2     2     4    3 

通過使用嵌套for loops來排除我不想要的觀察，我能夠得到我想要的答案。

newfake.dat<-data.frame()

for(j in 1:length(fake.dat)){
for(i in 1:nrow(fake.dat)){
    ifelse(i>max.row[j],newfake.dat[i,j]<-fake.dat[i,j],"NA")
print(newfake.dat)
}}

這將創建一個新的數據框，我可以在其上運行簡單的apply功能。

colcount<-apply(newfake.dat,2,function(x) (sum(x>5,na.rm=TRUE)))

   V1 V2 V3 V4
1  NA NA NA NA
2  NA NA NA NA
3  NA NA NA NA
4  NA NA NA NA
5  NA NA  7 NA
6  NA NA  9 NA
7  NA  2  2 10
8   5  3  3  5
9   6  7  7  6
10  7  8  8  7

V1 V2 V3 V4 
 2  2  4  3 

對於這個微小的示例數據集來說，這一切都很好，但是對於接近我的真實數據集大小的任何東西來說都非常慢。 哪個大（2000 x 2000或更大）和眾多。 我用我的一個文件的截斷版本（較少的列，但行數相同）嘗試了它並且它運行了至少5個小時（當我離開工作時我離開了它）。 此外，除了能夠運行apply函數之外，我並不需要新的數據幀。

有沒有辦法更有效地做到這一點？ 我嘗試使用seq和max的行號來限制apply函數的行。

maxrow<-apply(fake.dat,2,function(x) which.max(x))
print(maxrow)

seq.att<-apply(fake.dat,2,function(x) {
    sum(x[which(seq(1,nrow(fake.dat))==(maxrow)):nrow(fake.dat)]>5,na.rm=TRUE)})

這將啟動此警告消息的四個實例：

1: In seq(1, nrow(fake.dat)) == (maxrow) :
  longer object length is not a multiple of shorter object length

如果我忽略警告信息並獲得輸出，它不會給我我預期的答案：

samp1 samp2 samp3 samp4 
    2     3     3     3 

我也試過使用while函數來保持循環，所以我停止了它（我放錯了我為此嘗試的代碼）。

到目前為止，最有希望的結果來自嵌套的for loops ，但我知道它非常低效，我希望有更好的方法。 我還是R的新手，我確定我在某處搗亂某些語法。 提前感謝您提供的任何幫助！

Answer 1

這是dplyr中復制與base R顯示的相同過程的一種方法

library(dplyr)
fake.dat %>% 
        summarise_each(funs(sum(.[(which.max(.)+1):n()]>5,
                na.rm=TRUE)))
#   samp1 samp2 samp3 samp4
#1     2     2     4     3

如果您需要它作為兩個步驟：

datNA <- fake.dat %>% 
               mutate_each(funs(replace(., seq_len(which.max(.)), NA)))

datNA %>% 
      summarise_each(funs(sum(.>5, na.rm=TRUE)))

Answer 2

這是使用data.table的一種方法：

library(data.table)
##
data <- data.frame(
  samp1=c(5,6,7,5,4,5,10,5,6,7), 
  samp2=c(2,3,4,6,7,9,2,3,7,8), 
  samp3=c(2,3,4,11,7,9,2,3,7,8),
  samp4=c(5,6,7,5,4,12,10,5,6,7))
##
Dt <- data.table(data)
##
R> Dt[,lapply(.SD,function(x){
    y <- x[(which.max(x)+1):.N]
    length(y[y>5])
  })
   samp1 samp2 samp3 samp4
1:     2     2     4     3

Answer 3

base R中的單線程：

vapply(fake.dat,function(x) sum(x[(which.max(x)+1):length(x)]>5),1L)
#samp1 samp2 samp3 samp4 
#    2     2     4     3