![](/img/trans.png)
[英]An efficient way to create a new dataframe based on values from 2 separate dataframes in R
[英]Efficient way to create new column based on nested if else conditions and comparing values from lists in R
輸入dt
-
dt <- data.frame(a_check=c(1,2,1,1,2),
b_check=c(0,1,NA,1,15),
c_check=c(1,0,0,1,NA),
d_check=c(1,1,1,0,0),
e_check=c(1,NA,0,1,1))
驗證列表-
valid_values <- list(a_check= c(1,2,3), b_check= c(0,1),c_check=c(0,1,2),d_check="possitive integer",e_check="positive integer")
required_list <- list(a_check= 1, b_check= 1,c_check=0,d_check=1,e_check=0)
col_type_list <- list(a_check= "factor", b_check= "factor",c_check="continuous",d_check="continuous",e_check="continuous")
題-
我試圖通過使用以下多個ifelse
條件來獲得低於所需的輸出 -
required_list
variable
並且dt
包含該列的NA
它應該給出error
(變量不能是 NA 因為它是必需的)。variable
在col_type_list
是continuous
, col_type_list
它應該只包含dt
else 中的正值(變量必須是正整數)variable
是col_type_list
中的factor
, col_type_list
它應該匹配valid_value
列表中的值,否則(變量必須是以下值之一)。 我能夠使用nested for loops
獲得結果nested for loops
但對於大數據集根本沒有效率。
我的代碼-
param_names <- colnames(dt)
error_msg <- list()
error <- list()
for(i in 1:nrow(dt)){
for(j in 1:length(param_names))
{
if(get(param_names[j],required_list) %in% 1 & is.na(as.numeric(unlist(dt[param_names[j]]))[i]) == TRUE)
{
error_msg[j] <- paste0(toupper(param_names[j]), " cannot be NA because it is required")
}
## continuous variable check
else if(get(param_names[j],col_type_list)=="continuous"){
if (is.na(as.numeric(unlist(dt[param_names[j]]))[i]) | as.numeric(unlist(dt[param_names[j]]))[i] < 0) {
error_msg[j] <- paste0(toupper(param_names[j]), " must be a positive integer")
} else {
error_msg[j] <- NA
}
} else {
## factor variable check
if(!(as.numeric(unlist(dt[param_names[j]]))[i] %in% get(param_names[j],valid_values))){
error_msg[j] <- paste0(toupper(param_names[j]), " must be one of the following values ", paste(get(param_names[j],valid_values), collapse = '-'))
} else {
error_msg[j] <- NA
}
}
} ## end of inner for loop
error[i] <- paste(unlist(error_msg),collapse = " & ")
}## end of inner f
final_error <- unlist(error)
setDT(dt)
dt[,error := final_error]
dt[,error := gsub("NA & | NA \\s+ &", "\\1", error)]
dt[,error := gsub("& \\s+ NA | & NA", "\\1", error)]
輸出-
> dt
a_check b_check c_check d_check e_check error
1: 1 0 1 1 1 NA
2: 2 1 0 1 NA E_CHECK must be a positive integer
3: 1 NA 0 1 0 B_CHECK cannot be NA
4: 1 1 1 0 1 NA
5: 2 15 NA 0 1 B_CHECK must be one of the following values 0-1 & C_CHECK must be a positive integer
注意- 我知道它可以通過@Jav 使用類似的解決方案來實現
dt[, error := lapply(param_names, function(x) {
((get(x, dt) %in% get(x, valid_values))) %>%
ifelse(., " ", paste(x, "should have valid values like -", paste(get(x, valid_values), collapse = " ")))
}) %>% Reduce(paste, .)]
但是,我正在努力使用上述解決方案使用多個ifelse
條件。 我正在尋找高效和干凈的解決方案來避免for loops
。 任何其他方法也可以。
您可以擺脫嵌套循環,但仍然需要編寫大量代碼。 在我看來,最簡潔的方法是編寫一個自定義函數來定義如何應用邏輯:
library(tidyverse)
check_col_validity <- function(col, name) {
r_error <- rep(NA, length(col))
# is required?
if (required_list[name] == 1) {
msg <- paste(toupper(name), "is required")
r_error <- ifelse(is.na(col), msg, NA)
}
# is continuous?
if (col_type_list[name] == "continuous") {
msg <- paste(toupper(name), "must be positive")
new_error <- ifelse(col < 0 | is.na(col), msg, NA)
error <- ifelse(is.na(r_error), new_error, paste(r_error, new_error, sep = " & "))
}
# is in valid range?
if (col_type_list[name] == "factor") {
valid_range <- valid_values[[name]]
msg <- paste(toupper(name), "must be one of", paste(valid_range, collapse = ", "))
new_error <- ifelse(col %in% valid_range, NA, msg)
error <- ifelse(is.na(r_error), new_error, r_error)
}
return(error)
}
這很像你的邏輯。 不同之處在於它如何應用於數據:
dt$error <- dt[, 1:5] %>%
purrr::imap_dfc(check_col_validity) %>%
t() %>%
as_tibble() %>%
purrr::map_chr(paste, collapse = " & ") %>%
stringr::str_remove_all("NA & ") %>%
stringr::str_remove_all(" & NA")
該函數使用purrr::imap
應用於每一列。 結果被轉置並粘貼在一起,之后最后一步是刪除丑陋的 NA 字符串。 它提供了預期的結果,我希望代碼更清晰。
這個過程的主要部分是imap
工作原理。 它是對列表的應用類型操作,但它將列表元素的名稱作為第二個參數傳遞給函數。 這意味着您可以編寫一個應用於數據框每一列的自定義函數,並將第二個參數添加到imap
將向其傳遞列名稱的函數。 一旦您在函數中同時擁有列的數據和名稱,該函數就會變得更容易編寫。
自定義函數返回適用於該列的錯誤消息。 這意味着您將獲得與原始數據集具有相同維度的數據框。 然后,您可以轉置此數據框並將每列的結果粘貼在一起,以獲得每行 1 條消息。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.