dplyr 變異/替換行子集上的幾列

Question

我正在嘗試基於 dplyr 的工作流程（而不是主要使用 data.table，我已經習慣了），我遇到了一個問題，我找不到等效的 dplyr 解決方案。 我經常遇到需要根據單個條件有條件地更新/替換幾列的情況。 這是一些示例代碼，以及我的 data.table 解決方案：

library(data.table)

# Create some sample data
set.seed(1)
dt <- data.table(site = sample(1:6, 50, replace=T),
                 space = sample(1:4, 50, replace=T),
                 measure = sample(c('cfl', 'led', 'linear', 'exit'), 50, 
                               replace=T),
                 qty = round(runif(50) * 30),
                 qty.exit = 0,
                 delta.watts = sample(10.5:100.5, 50, replace=T),
                 cf = runif(50))

# Replace the values of several columns for rows where measure is "exit"
dt <- dt[measure == 'exit', 
         `:=`(qty.exit = qty,
              cf = 0,
              delta.watts = 13)]

是否有針對同一問題的簡單 dplyr 解決方案？ 我想避免使用 ifelse，因為我不想多次輸入條件 - 這是一個簡化的示例，但有時會有很多基於單個條件的分配。

在此先感謝您的幫助！

Answer 1

這些解決方案 (1) 維護管道，(2)不覆蓋輸入和 (3) 只需要指定一次條件：

1a) mutate_cond為可以合並到管道中的數據幀或數據表創建一個簡單的函數。 此函數類似於mutate但僅作用於滿足條件的行：

mutate_cond <- function(.data, condition, ..., envir = parent.frame()) {
  condition <- eval(substitute(condition), .data, envir)
  .data[condition, ] <- .data[condition, ] %>% mutate(...)
  .data
}

DF %>% mutate_cond(measure == 'exit', qty.exit = qty, cf = 0, delta.watts = 13)

1b) mutate_last這是數據幀或數據表的替代函數，它同樣類似於mutate但僅在group_by （如下例所示），並且僅對最后一組而不是每個組進行操作。 請注意 TRUE > FALSE 所以如果group_by指定了一個條件，那么mutate_last將只對滿足該條件的行進行操作。

mutate_last <- function(.data, ...) {
  n <- n_groups(.data)
  indices <- attr(.data, "indices")[[n]] + 1
  .data[indices, ] <- .data[indices, ] %>% mutate(...)
  .data
}


DF %>% 
   group_by(is.exit = measure == 'exit') %>%
   mutate_last(qty.exit = qty, cf = 0, delta.watts = 13) %>%
   ungroup() %>%
   select(-is.exit)

2)分解條件通過將條件分解為一個額外的列，稍后將其刪除。 然后使用ifelse ，用邏輯replace或算術，如圖所示。 這也適用於數據表。

library(dplyr)

DF %>% mutate(is.exit = measure == 'exit',
              qty.exit = ifelse(is.exit, qty, qty.exit),
              cf = (!is.exit) * cf,
              delta.watts = replace(delta.watts, is.exit, 13)) %>%
       select(-is.exit)

3) sqldf我們可以通過管道中的 sqldf 包對數據幀使用 SQL update （但不能使用數據表，除非我們轉換它們——這可能代表 dplyr 中的錯誤。請參閱dplyr 問題 1579 ）。 由於update的存在，我們似乎不合需要地修改了此代碼中的輸入，但實際上update作用於臨時生成的數據庫中的輸入副本，而不是實際輸入。

library(sqldf)

DF %>% 
   do(sqldf(c("update '.' 
                 set 'qty.exit' = qty, cf = 0, 'delta.watts' = 13 
                 where measure = 'exit'", 
              "select * from '.'")))

4）row_case_when還檢查了row_case_when定義返回一個tibble：如何與case_when矢量化？ . 它使用類似於case_when的語法，但適用於行。

library(dplyr)

DF %>%
  row_case_when(
    measure == "exit" ~ data.frame(qty.exit = qty, cf = 0, delta.watts = 13),
    TRUE ~ data.frame(qty.exit, cf, delta.watts)
  )

注 1：我們將其用作DF

set.seed(1)
DF <- data.frame(site = sample(1:6, 50, replace=T),
                 space = sample(1:4, 50, replace=T),
                 measure = sample(c('cfl', 'led', 'linear', 'exit'), 50, 
                               replace=T),
                 qty = round(runif(50) * 30),
                 qty.exit = 0,
                 delta.watts = sample(10.5:100.5, 50, replace=T),
                 cf = runif(50))

注 2：如何輕松指定更新行子集的問題也在 dplyr 問題134 、 631 、 1518和1573 中討論，其中631是主線程， 1573是對此處答案的回顧。

Answer 2

您可以使用magrittr的雙向管道%<>% ：

library(dplyr)
library(magrittr)

dt[dt$measure=="exit",] %<>% mutate(qty.exit = qty,
                                    cf = 0,  
                                    delta.watts = 13)

這減少了輸入量，但仍然比data.table慢得多。

Answer 3

這是我喜歡的解決方案：

mutate_when <- function(data, ...) {
  dots <- eval(substitute(alist(...)))
  for (i in seq(1, length(dots), by = 2)) {
    condition <- eval(dots[[i]], envir = data)
    mutations <- eval(dots[[i + 1]], envir = data[condition, , drop = FALSE])
    data[condition, names(mutations)] <- mutations
  }
  data
}

它可以讓你寫一些東西，例如

mtcars %>% mutate_when(
  mpg > 22,    list(cyl = 100),
  disp == 160, list(cyl = 200)
)

這是非常易讀的——盡管它可能沒有它應有的性能。

Answer 4

正如上面的 eipi10 所示，在 dplyr 中沒有一種簡單的方法來進行子集替換，因為 DT 使用傳遞引用語義，而 dplyr 使用傳遞值。 dplyr 需要在整個向量上使用ifelse() ，而 DT 將執行子集並通過引用更新（返回整個 DT）。 所以，對於這個練習，DT 會快很多。

您也可以先子集，然后更新，最后重新組合：

dt.sub <- dt[dt$measure == "exit",] %>%
  mutate(qty.exit= qty, cf= 0, delta.watts= 13)

dt.new <- rbind(dt.sub, dt[dt$measure != "exit",])

但是 DT 會快得多：（編輯為使用 eipi10 的新答案）

library(data.table)
library(dplyr)
library(microbenchmark)
microbenchmark(dt= {dt <- dt[measure == 'exit', 
                            `:=`(qty.exit = qty,
                                 cf = 0,
                                 delta.watts = 13)]},
               eipi10= {dt[dt$measure=="exit",] %<>% mutate(qty.exit = qty,
                                cf = 0,  
                                delta.watts = 13)},
               alex= {dt.sub <- dt[dt$measure == "exit",] %>%
                 mutate(qty.exit= qty, cf= 0, delta.watts= 13)

               dt.new <- rbind(dt.sub, dt[dt$measure != "exit",])})


Unit: microseconds
expr      min        lq      mean   median       uq      max neval cld
     dt  591.480  672.2565  747.0771  743.341  780.973 1837.539   100  a 
 eipi10 3481.212 3677.1685 4008.0314 3796.909 3936.796 6857.509   100   b
   alex 3412.029 3637.6350 3867.0649 3726.204 3936.985 5424.427   100   b

Answer 5

我只是偶然發現了這個，真的很喜歡@G 的mutate_cond() 。 Grothendieck，但認為處理新變量可能會派上用場。 所以，下面有兩個補充：

無關：倒數第二行通過使用filter()使dplyr多dplyr

開頭的三個新行獲取用於mutate()變量名稱，並在mutate()發生之前初始化數據框中的任何新變量。 使用new_init為data.frame的其余部分初始化新變量，默認設置為缺失 ( NA )。

mutate_cond <- function(.data, condition, ..., new_init = NA, envir = parent.frame()) {
  # Initialize any new variables as new_init
  new_vars <- substitute(list(...))[-1]
  new_vars %<>% sapply(deparse) %>% names %>% setdiff(names(.data))
  .data[, new_vars] <- new_init

  condition <- eval(substitute(condition), .data, envir)
  .data[condition, ] <- .data %>% filter(condition) %>% mutate(...)
  .data
}

以下是一些使用虹膜數據的示例：

將Petal.Length更改為 88，其中Species == "setosa" 。 這將適用於原始功能以及這個新版本。

iris %>% mutate_cond(Species == "setosa", Petal.Length = 88)

與上面相同，但還要創建一個新變量x （條件中未包含的行中的NA ）。 以前不可能。

iris %>% mutate_cond(Species == "setosa", Petal.Length = 88, x = TRUE)

同上，但不包含在x條件中的行被設置為 FALSE。

iris %>% mutate_cond(Species == "setosa", Petal.Length = 88, x = TRUE, new_init = FALSE)

此示例顯示如何將new_init設置為list以初始化具有不同值的多個新變量。 在這里，創建了兩個新變量，其中排除的行使用不同的值進行初始化（ x初始化為FALSE ， y為NA ）

iris %>% mutate_cond(Species == "setosa" & Sepal.Length < 5,
                  x = TRUE, y = Sepal.Length ^ 2,
                  new_init = list(FALSE, NA))

Answer 6

一種簡潔的解決方案是對過濾后的子集進行變異，然后添加回表的非退出行：

library(dplyr)

dt %>% 
    filter(measure == 'exit') %>%
    mutate(qty.exit = qty, cf = 0, delta.watts = 13) %>%
    rbind(dt %>% filter(measure != 'exit'))

Answer 7

mutate_cond 是一個很棒的函數，但是如果用於創建條件的列中存在 NA，則會出現錯誤。 我覺得條件變異應該簡單地留下這樣的行。 這與 filter() 的行為相匹配，它在條件為 TRUE 時返回行，但忽略帶有 FALSE 和 NA 的兩行。

有了這個小小的改變，這個功能就像一個魅力：

mutate_cond <- function(.data, condition, ..., envir = parent.frame()) {
    condition <- eval(substitute(condition), .data, envir)
    condition[is.na(condition)] = FALSE
    .data[condition, ] <- .data[condition, ] %>% mutate(...)
    .data
}

Answer 8

我實際上沒有看到dplyr任何更改會使這變得更容易。 case_when非常適合當一列有多個不同的條件和結果時，但對於您想根據一個條件更改多個列的情況沒有幫助。 同樣，如果您要替換一列中的多個不同值， recode可以節省輸入，但一次在多列中這樣做無濟於事。 最后， mutate_at等只將條件應用於列名而不是數據mutate_at的行。 您可能會為 mutate_at 編寫一個函數來執行此操作，但我無法弄清楚您將如何使其對不同列的行為有所不同。

這就是我將如何使用nest形式tidyr和來自purrr map來處理它的方法。

library(data.table)
library(dplyr)
library(tidyr)
library(purrr)

# Create some sample data
set.seed(1)
dt <- data.table(site = sample(1:6, 50, replace=T),
                 space = sample(1:4, 50, replace=T),
                 measure = sample(c('cfl', 'led', 'linear', 'exit'), 50, 
                                  replace=T),
                 qty = round(runif(50) * 30),
                 qty.exit = 0,
                 delta.watts = sample(10.5:100.5, 50, replace=T),
                 cf = runif(50))

dt2 <- dt %>% 
  nest(-measure) %>% 
  mutate(data = if_else(
    measure == "exit", 
    map(data, function(x) mutate(x, qty.exit = qty, cf = 0, delta.watts = 13)),
    data
  )) %>%
  unnest()

Answer 9

與創建rlang ，格羅滕迪克的1A示例的稍加修改的版本是可能的，消除了對需要envir參數，如enquo()捕獲環境.p是自動創建的。

mutate_rows <- function(.data, .p, ...) {
  .p <- rlang::enquo(.p)
  .p_lgl <- rlang::eval_tidy(.p, .data)
  .data[.p_lgl, ] <- .data[.p_lgl, ] %>% mutate(...)
  .data
}

dt %>% mutate_rows(measure == "exit", qty.exit = qty, cf = 0, delta.watts = 13)

Answer 10

您可以拆分數據集並對TRUE部分進行常規 mutate 調用。

dplyr 0.8具有group_split函數，它按組拆分（並且組可以直接在調用中定義），因此我們將在此處使用它，但base::split可以工作。

library(tidyverse)
df1 %>%
  group_split(measure == "exit", keep=FALSE) %>% # or `split(.$measure == "exit")`
  modify_at(2,~mutate(.,qty.exit = qty, cf = 0, delta.watts = 13)) %>%
  bind_rows()

#    site space measure qty qty.exit delta.watts          cf
# 1     1     4     led   1        0        73.5 0.246240409
# 2     2     3     cfl  25        0        56.5 0.360315879
# 3     5     4     cfl   3        0        38.5 0.279966850
# 4     5     3  linear  19        0        40.5 0.281439486
# 5     2     3  linear  18        0        82.5 0.007898384
# 6     5     1  linear  29        0        33.5 0.392412729
# 7     5     3  linear   6        0        46.5 0.970848817
# 8     4     1     led  10        0        89.5 0.404447182
# 9     4     1     led  18        0        96.5 0.115594622
# 10    6     3  linear  18        0        15.5 0.017919745
# 11    4     3     led  22        0        54.5 0.901829577
# 12    3     3     led  17        0        79.5 0.063949974
# 13    1     3     led  16        0        86.5 0.551321441
# 14    6     4     cfl   5        0        65.5 0.256845013
# 15    4     2     led  12        0        29.5 0.340603733
# 16    5     3  linear  27        0        63.5 0.895166931
# 17    1     4     led   0        0        47.5 0.173088800
# 18    5     3  linear  20        0        89.5 0.438504370
# 19    2     4     cfl  18        0        45.5 0.031725246
# 20    2     3     led  24        0        94.5 0.456653397
# 21    3     3     cfl  24        0        73.5 0.161274319
# 22    5     3     led   9        0        62.5 0.252212124
# 23    5     1     led  15        0        40.5 0.115608182
# 24    3     3     cfl   3        0        89.5 0.066147321
# 25    6     4     cfl   2        0        35.5 0.007888337
# 26    5     1  linear   7        0        51.5 0.835458916
# 27    2     3  linear  28        0        36.5 0.691483644
# 28    5     4     led   6        0        43.5 0.604847889
# 29    6     1  linear  12        0        59.5 0.918838163
# 30    3     3  linear   7        0        73.5 0.471644760
# 31    4     2     led   5        0        34.5 0.972078100
# 32    1     3     cfl  17        0        80.5 0.457241602
# 33    5     4  linear   3        0        16.5 0.492500255
# 34    3     2     cfl  12        0        44.5 0.804236607
# 35    2     2     cfl  21        0        50.5 0.845094268
# 36    3     2  linear  10        0        23.5 0.637194873
# 37    4     3     led   6        0        69.5 0.161431896
# 38    3     2    exit  19       19        13.0 0.000000000
# 39    6     3    exit   7        7        13.0 0.000000000
# 40    6     2    exit  20       20        13.0 0.000000000
# 41    3     2    exit   1        1        13.0 0.000000000
# 42    2     4    exit  19       19        13.0 0.000000000
# 43    3     1    exit  24       24        13.0 0.000000000
# 44    3     3    exit  16       16        13.0 0.000000000
# 45    5     3    exit   9        9        13.0 0.000000000
# 46    2     3    exit   6        6        13.0 0.000000000
# 47    4     1    exit   1        1        13.0 0.000000000
# 48    1     1    exit  14       14        13.0 0.000000000
# 49    6     3    exit   7        7        13.0 0.000000000
# 50    2     4    exit   3        3        13.0 0.000000000

如果行順序很重要， tibble::rowid_to_column使用tibble::rowid_to_column ，然后在rowid上使用dplyr::arrange並最后將其選中。

數據

df1 <- data.frame(site = sample(1:6, 50, replace=T),
                 space = sample(1:4, 50, replace=T),
                 measure = sample(c('cfl', 'led', 'linear', 'exit'), 50, 
                                  replace=T),
                 qty = round(runif(50) * 30),
                 qty.exit = 0,
                 delta.watts = sample(10.5:100.5, 50, replace=T),
                 cf = runif(50),
                 stringsAsFactors = F)

Answer 11

我認為這個答案以前沒有提到過。 它的運行速度幾乎與“默認” data.table -solution 一樣快。

使用base::replace()

df %>% mutate( qty.exit = replace( qty.exit, measure == 'exit', qty[ measure == 'exit'] ),
                          cf = replace( cf, measure == 'exit', 0 ),
                          delta.watts = replace( delta.watts, measure == 'exit', 13 ) )

replace 回收替換值，因此當您希望將qty列的值輸入到列qty.exit ，您還必須對qty進行子集...因此qty[ measure == 'exit']在第一次替換中..

現在，您可能不想一直重新輸入measure == 'exit' ... 所以您可以創建一個包含該選擇的索引向量，並在上面的函數中使用它。

#build an index-vector matching the condition
index.v <- which( df$measure == 'exit' )

df %>% mutate( qty.exit = replace( qty.exit, index.v, qty[ index.v] ),
               cf = replace( cf, index.v, 0 ),
               delta.watts = replace( delta.watts, index.v, 13 ) )

基准

# Unit: milliseconds
#         expr      min       lq     mean   median       uq      max neval
# data.table   1.005018 1.053370 1.137456 1.112871 1.186228 1.690996   100
# wimpel       1.061052 1.079128 1.218183 1.105037 1.137272 7.390613   100
# wimpel.index 1.043881 1.064818 1.131675 1.085304 1.108502 4.192995   100

Answer 12

在與通常的dplyr語法突破的費用，你可以使用within從基地：

dt %>% within(qty.exit[measure == 'exit'] <- qty[measure == 'exit'],
              delta.watts[measure == 'exit'] <- 13)

它似乎與管道整合得很好，你可以在里面做任何你想做的事情。