R 使用 case_when（R 向量化）在存在大量類別/類型時應用多個函數

Question

假設我有以下形式的數據集：

City=c(1,2,2,1)
Business=c(2,1,1,2)
ExpectedRevenue=c(35,20,15,19)
zz=data.frame(City,Business,ExpectedRevenue)
zz_new=do.call("rbind", replicate(zz, n=30, simplify = FALSE))

我的實際數據集包含大約 200K 行。 此外，它還包含 100 多個城市的信息。 假設，對於每個城市（我也稱之為“類型”），我有以下需要應用的功能：

#Writing the custom functions for the categories here

Type1=function(full_data,observation){
  NewSet=full_data[which(!full_data$City==observation$City),]
  BusinessMax = max(NewSet$ExpectedRevenue)+10*rnorm(1)
  return(BusinessMax)
}

Type2=function(full_data,observation){
  NewSet=full_data[which(!full_data$City==observation$City),]
  BusinessMax = max(NewSet$ExpectedRevenue)-100*rnorm(1)
  return(BusinessMax)
}

再一次，上面兩個函數是我用來說明的非常簡單的函數。 這里的想法是，對於每個城市（或“類型”），我需要為數據集中的每一行運行不同的 function。 在上述兩個函數中，我使用 rnorm 來檢查並確保我們為每一行繪制不同的值。

現在對於整個數據集，我想首先將觀察結果划分為不同的城市（或“類型”）。 我可以使用 (zz_new[["City"]]==1) [另見下文] 來做到這一點。 然后為每個類運行各自的函數。 但是，當我運行下面的代碼時，我得到-Inf 。

有人可以幫我理解為什么會這樣嗎？

對於示例數據，我希望獲得 20 加 10 倍的隨機值（對於 Type = 1）和 35 減 100 倍的隨機值（對於 Type = 2）。 每行的值也應該不同，因為我是從隨機正態分布中繪制它們的。

library(dplyr) #I use dplyr here
zz_new[,"AdjustedRevenue"] = case_when(
  zz_new[["City"]]==1~Type1(full_data=zz_new,observation=zz_new[,]),
  zz_new[["City"]]==2~Type2(full_data=zz_new,observation=zz_new[,])
)

提前非常感謝。

Answer 1

讓我們看一下您的代碼。 我重寫你的代碼

library(dplyr)
zz_new[,"AdjustedRevenue"] = case_when(
  zz_new[["City"]]==1~Type1(full_data=zz_new,observation=zz_new[,]),
  zz_new[["City"]]==2~Type2(full_data=zz_new,observation=zz_new[,])
)

至

zz_new %>%
  mutate(AdjustedRevenue = case_when(City == 1 ~ Type1(zz_new,zz_new),
                                     City == 2 ~ Type2(zz_new,zz_new)))

因為您使用的是dplyr但不要使用此 package 提供的強大工具。

除了使用mutate之外，一個關鍵的變化是我用zz_new替換zz_new[,] 。 現在我們看到您的Type函數的兩個 arguments 都是相同的 dataframe。

下一步：看看你的 function

Type1 <- function(full_data,observation){
  NewSet=full_data[which(!full_data$City==observation$City),]
  BusinessMax = max(NewSet$ExpectedRevenue)+10*rnorm(1)
  return(BusinessMax)
}

由Type1(zz_new,zz_new) 。 所以NewSet的定義給了我們

NewSet=full_data[which(!full_data$City==observation$City),]

# replace the arguments
NewSet <- zz_new[which(!zz_new$City==zz_new$City),]

因此NewSet始終是一個零行的 dataframe。 將max應用於-Inf的空列會產生 -Inf 。