web-dev-qa-db-ja.com

dplyrは、行のサブセットの複数の列を変更/置換します

私はdplyrベースのワークフローを試しているところです(私が慣れているほとんどのdata.tableを使用するのではなく)、と同等のdplyrソリューションを見つけることができないという問題に遭遇しました。一般的に、単一の条件に基づいて複数の列を条件付きで更新/置換する必要があるシナリオに遭遇します。 data.tableソリューションを使用したサンプルコードを次に示します。

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)]

この同じ問題に対する単純なdplyrソリューションはありますか? ifelseの使用を避けたいのは、条件を複数回入力する必要がないためです-これは単純化された例ですが、単一の条件に基づいた多くの割り当てがある場合があります。

助けてくれてありがとう!

63
Chris Newton

これらの解決策は、(1)パイプラインを維持する、(2)入力を上書きしないしない、および(3)条件を1回指定するだけで済みます。

1a)mutate_condパイプラインに組み込むことができるデータフレームまたはデータテーブル用の単純な関数を作成します。この関数はmutateに似ていますが、条件を満たす行に対してのみ機能します。

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これは、データフレームまたはデータテーブルの代替関数であり、mutateに似ていますが、group_by内でのみ使用されます(例:以下の例)、すべてのグループではなく最後のグループでのみ動作します。 TRUE> FALSEであるため、group_byが条件を指定した場合、mutate_lastはその条件を満たす行でのみ動作します。

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)条件を除外する後で削除される余分な列にすることにより、条件を除外します。次に、ifelsereplace、または図のように論理演算を使用します。これはデータテーブルでも機能します。

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データフレームのパイプラインでsqldfパッケージを介してSQL updateを使用できます(ただし、変換しない限りデータテーブルは使用できません- -これはdplyrのバグを表している可能性があります。 dplyr issue 1579 )を参照してください。 updateが存在するため、このコードの入力を望ましくなく変更しているように見えるかもしれませんが、実際にはupdateは一時的に生成されたデータベースではなく、一時的に生成されたデータベースの入力のコピーに作用しています実際の入力。

library(sqldf)

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

注1:これをDFとして使用しました

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:行のサブセットの更新を簡単に指定する方法の問題は、dplyrの問題でも説明されています 134 、- 6311518 および 157631 がメインスレッド、 157 がレビュー中ここの答え。

65
G. Grothendieck

magrittrの双方向パイプ%<>%でこれを行うことができます:

library(dplyr)
library(magrittr)

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

これにより、入力の量は減りますが、data.tableよりもはるかに遅くなります。

19
eipi10

私が好きな解決策は次のとおりです。

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
}

たとえば、.

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

これは非常に読みやすいですが、パフォーマンスはそれほど高くないかもしれません。

15
Kevin Ushey

Eipi10が上記に示すように、DTは参照渡しセマンティクスと値渡しを使用したdplyrを使用するため、dplyrでサブセット置換を行う簡単な方法はありません。 dplyrでは、ベクトル全体でifelse()を使用する必要がありますが、DTはサブセットを実行し、参照によって更新します(DT全体を返します)。したがって、この演習では、DTが大幅に高速になります。

あるいは、最初にサブセット化してから更新し、最後に再結合することもできます。

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

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

ただし、DTは大幅に高速化されます:(eipi10の新しい回答を使用するように編集)

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
12
Alex W

私はこれに出くわし、@ Gのmutate_cond()が本当に好きです。 Grothendieckが、新しい変数を処理するのも便利だと思いました。そのため、以下に2つの追加があります。

無関係:最後の2行目は、filter()を使用してもう少しdplyrにしました

最初の3行は、mutate()で使用する変数名を取得し、mutate()が発生する前にデータフレーム内の新しい変数を初期化します。 data.frameを使用して残りのnew_initに対して新しい変数が初期化されます。これは、デフォルトで欠落(NA)に設定されています。

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
}

アイリスデータを使用した例を次に示します。

Petal.Lengthを88に変更します(Species == "setosa")。これは、元の機能とこの新しいバージョンで機能します。

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

上記と同じですが、新しい変数x(条件に含まれない行のNA)も作成します。以前は不可能でした。

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

上記と同じですが、xの条件に含まれない行はFALSEに設定されます。

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

この例では、new_initlistに設定して、複数の新しい変数を異なる値で初期化する方法を示します。ここでは、除外された行が異なる値を使用して初期化される2つの新しい変数が作成されます(xとして初期化されたFALSEyとしてNA

iris %>% mutate_cond(Species == "setosa" & Sepal.Length < 5,
                  x = TRUE, y = Sepal.Length ^ 2,
                  new_init = list(FALSE, NA))
9
Simon Jackson

mutate_condは優れた関数ですが、条件の作成に使用される列にNAがある場合はエラーになります。条件付きmutateでは、このような行をそのままにしておくべきだと思います。これは、条件がTRUEの場合に行を返すfilter()の動作と一致しますが、FALSEとNAの両方の行を省略します。

この小さな変更により、関数はチャームのように機能します。

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
}
5
Magnus

実際にこれを簡単にするdplyrの変更はありません。 case_whenは、1つの列に複数の異なる条件と結果がある場合に最適ですが、1つの条件に基づいて複数の列を変更したい場合には役立ちません。同様に、recodeは、1つの列の複数の異なる値を置き換える場合に入力を節約しますが、一度に複数の列でそれを行うのに役立ちません。最後に、mutate_atなどは、データフレームの行ではなく列名にのみ条件を適用します。 mutate_at用の関数を作成する可能性がありますが、列ごとに異なる動作をさせる方法はわかりません。

ここで、nestからtidyrmapを使用して、purrrを使用してどのようにアプローチするかを説明します。

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()
4
see24

rlangを作成すると、Grothendieckの1aの例を少し修正したバージョンが可能になり、envir引数が不要になります。enquo().pが作成される環境をキャプチャするため自動的に。

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)
3
Davis Vaughan

データセットを分割し、TRUE部分で通常のmutate呼び出しを行うことができます。

dplyr 0.8は、グループごとに分割する(およびグループを呼び出しで直接定義できる)関数group_splitを備えているため、ここで使用しますが、base::splitも機能します。

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

行の順序が重要な場合は、最初にtibble::rowid_to_columnを使用し、次にrowiddplyr::arrangeを使用し、最後に選択します。

データ

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)
2

この答えはこれまで言及されていません。 「デフォルト」data.table- solution。とほぼ同じ速度で実行されます。

base::replace()を使用

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は置換値をリサイクルするため、列qtyの値を列qty.exitに入力する場合は、qtyもサブセットする必要があります。したがって、qty[ measure == 'exit']最初の交換..

今、おそらくmeasure == 'exit'を常に再入力する必要はないでしょう...そのため、その選択を含むインデックスベクトルを作成し、上記の関数で使用します。

#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 ) )

ベンチマーク

# 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
1
Wimpel

通常のdplyr構文を壊すことを犠牲にして、ベースからwithinを使用できます。

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

それはパイプとうまく統合されているようで、あなたはその中であなたが望むほとんど何でもできます。

1
Jan Hlavacek

簡潔な解決策の1つは、フィルター処理されたサブセットで突然変異を行い、テーブルの非出口行を追加し直すことです。

library(dplyr)

dt %>% 
    filter(measure == 'exit') %>%
    mutate(qty.exit = qty, cf = 0, delta.watts = 13) %>%
    rbind(dt %>% filter(measure != 'exit'))
1
Bob Zimmermann