通過數據幀迭代R效率

Question

我正在使用大型數據集，可以將其稱為data ，並希望創建一個新列，可以基於某些列data$input將其命名為data$results 。 結果基於某些條件的if / then邏輯，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
    }
}

對於大數據幀，此過程可能需要幾個小時才能運行。 但是，如果我將數據子集化為僅包含data $ results為1或2的條目，而又不包含true的條目的數據幀，則可以將trueAnswer應用於一個數據幀，將falseAnswer應用於另一個數據幀。 然后，我可以重新綁定數據幀。 這種方法只需要幾分鍾。

為什么后者使用子集的方法要快得多？ 在這種情況下，此過程將應用於許多不同的數據集，因此前一種方法太慢而無法實用。 我只是想了解導致第一種方法效率不足的原因。

Answer 1

始終建議提供一個完全可復制且最少的示例數據示例 。 這樣，我們可以根據您的樣本數據提供特定的幫助。

在很多情況下，可以避免在R中使用顯式的for循環，而是可以使用優化的矢量化操作。 例如ifelse是這樣的向量化函數。

通常， dplyr語法如下所示：

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

---

更新資料

要查看ifelse是如何矢量化的，請看一下?ifelse 。

值：

一個與“測試”具有相同長度和屬性（包括尺寸和“類”）的向量，並且數據值來自“是”或“否”。 [...]

因此，換句話說，如果ifelse評估100個條件，則返回對象的長度為100。

這可能導致以下可能令人驚訝/意外的結果：

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

返回對象是c(100, 200)元素1，因為邏輯條件的長度為1。

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

返回對象的長度為3，因為邏輯條件的長度為3； 由於c(100, 200)只有兩個元素，因此R需要回收條目。

Answer 2

R效率是圍繞矢量而不是循環設計的。 很少（盡管確實會發生）for或while循環是解決問題的最佳方法。 對於您的情況，最好使用if / else的向量化版本：ifelse。 它需要一個測試向量（例如， result %in% 1:2 ）和兩個可能的響應向量，具體取決於測試結果。 所有這些必須具有相同的長度。 當您給出長度為1的答案時，它將擴展到適當的長度，否則會出現錯誤。 在這里，它看起來像這樣：

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