Rのネストされたifelseステートメントの代替
次のデータがあるとします。行は国を表し、列（in05:in09）は、その国が特定の年（2005:2009）に対象のデータベースに存在したかどうかを示します。
id <- c("a", "b", "c", "d")
in05 <- c(1, 0, 0, 1)
in06 <- c(0, 0, 0, 1)
in07 <- c(1, 1, 0, 1)
in08 <- c(0, 1, 1, 1)
in09 <- c(0, 0, 0, 1)
df <- data.frame(id, in05, in06, in07, in08, in09)
その国がデータベースに存在した最初の年を示す変数firstyearを作成したいと思います。今、私は次のことをします：
df$firstyear <- ifelse(df$in05==1,2005,
ifelse(df$in06==1,2006,
ifelse(df$in07==1, 2007,
ifelse(df$in08==1, 2008,
ifelse(df$in09==1, 2009,
0)))))
上記のコードはすでにあまり良いものではなく、私のデータセットにはさらに何年も含まれています。このfirstyear変数を作成するために、*apply関数、ループ、またはその他のものを使用する代替手段はありますか？
max.colを使用してベクトル化できます
indx <- names(df)[max.col(df[-1], ties.method = "first") + 1L]
df$firstyear <- as.numeric(sub("in", "20", indx))
df
# id in05 in06 in07 in08 in09 firstyear
# 1 a 1 0 1 0 0 2005
# 2 b 0 0 1 1 0 2007
# 3 c 0 0 0 1 0 2008
# 4 d 1 1 1 1 1 2005
df$FirstYear <- gsub('in', '20', names(df))[apply(df, 1, match, x=1)]
df
id in05 in06 in07 in08 in09 FirstYear
1 a 1 0 1 0 0 2005
2 b 0 0 1 1 0 2007
3 c 0 0 0 1 0 2008
4 d 1 1 1 1 1 2005
それを行うには多くの方法があります。指定された値の最初のインスタンスが見つかるため、matchを使用しました。コードの他の部分はプレゼンテーション用です。最初にapplyを使用して行ごとに移動し、namesを使用して列名で年に名前を付けます。割り当て<-およびdf$FirstYearは、結果をデータフレームに追加する方法です。
追加されたクレジット@DavidArenburgは、in列の20のFirstYearをサブスクライブすることについてのクールなアイデアを持っています。
効率に関するいくつかのメモを含む別の回答（ただし、このQAは速度に関するものではありません）。
まず、「list」-y構造から「matrix」への変換を回避する方がよい場合があります。 「行列」に変換して、「dim」属性を持つ「ベクトル」（つまり「行列」/「配列」）を効率的に処理する関数を使用する価値がある場合もありますが、そうでない場合もあります。両方 max.colとapplyは「行列」に変換されます。
第2に、ソリューションに到達するときにすべてのデータをチェックする必要がないこのような状況では、次の反復に進むものを制御するループを備えたソリューションの恩恵を受けることができます。ここで、最初の「1」が見つかったら停止できることがわかります。両方 max.col（およびwhich.max）実際には、最大値を見つけるために1回ループする必要があります。 「max == 1」が利用されていないことがわかっているという事実。
第3に、matchの設定はかなり複雑でコストがかかるため、別の値のベクトルで1つの値のみを検索すると、matchの速度が低下する可能性があります。
x = 5; set.seed(199); tab = sample(1e6)
identical(match(x, tab), which.max(x == tab))
#[1] TRUE
microbenchmark::microbenchmark(match(x, tab), which.max(x == tab), times = 25)
#Unit: milliseconds
# expr min lq median uq max neval
# match(x, tab) 142.22327 142.50103 142.79737 143.19547 145.37669 25
# which.max(x == tab) 18.91427 18.93728 18.96225 19.58932 38.34253 25
要約すると、「data.frame」の「list」構造を処理し、「1」が見つかったときに計算を停止する方法は、次のようなループになります。
ff = function(x)
{
x = as.list(x)
ans = as.integer(x[[1]])
for(i in 2:length(x)) {
inds = ans == 0L
if(!any(inds)) return(ans)
ans[inds] = i * (x[[i]][inds] == 1)
}
return(ans)
}
そして、他の回答の解決策（出力の余分な手順を無視）：
david = function(x) max.col(x, "first")
plafort = function(x) apply(x, 1, match, x = 1)
ff(df[-1])
#[1] 1 3 4 1
david(df[-1])
#[1] 1 3 4 1
plafort(df[-1])
#[1] 1 3 4 1
そしていくつかのベンチマーク：
set.seed(007)
DF = data.frame(id = seq_len(1e6),
"colnames<-"(matrix(sample(0:1, 1e7, T, c(0.25, 0.75)), 1e6),
paste("in", 11:20, sep = "")))
identical(ff(DF[-1]), david(DF[-1]))
#[1] TRUE
identical(ff(DF[-1]), plafort(DF[-1]))
#[1] TRUE
microbenchmark::microbenchmark(ff(DF[-1]), david(DF[-1]), as.matrix(DF[-1]), times = 30)
#Unit: milliseconds
# expr min lq median uq max neval
# ff(DF[-1]) 64.83577 65.45432 67.87486 70.32073 86.72838 30
# david(DF[-1]) 112.74108 115.12361 120.16118 132.04803 145.45819 30
# as.matrix(DF[-1]) 20.87947 22.01819 27.52460 32.60509 45.84561 30
system.time(plafort(DF[-1]))
# user system elapsed
# 4.117 0.000 4.125
実際には黙示録ではありませんが、単純で直接的なアルゴリズムのアプローチは、問題に応じて同等に優れているか、さらに優れていることが証明できることを確認する価値があります。明らかに、（ほとんどの）他の時間のRでのループは面倒な場合があります。
別のオプションは次のとおりです。
years <- as.integer(substr(names(df[-1]), 3, 4)) + 2000L
cbind(df, yr=do.call(pmin.int, Map(`/`, years, df[-1])))
生産：
id in05 in06 in07 in08 in09 yr
1 a 1 0 1 0 0 2005
2 b 0 0 1 1 0 2007
3 c 0 0 0 1 0 2008
4 d 1 1 1 1 1 2005
そして速いです。ここでは、Alexisのデータを使用して最小年ステップを見つけるタイミングのみを示しています。
Unit: milliseconds
expr min lq median uq max neval
do.call(pmin.int, Map(`/`, 11:20, DF[-1])) 178.46993 194.3760 219.8898 229.1597 307.1120 10
ff(DF[-1]) 416.07297 434.0792 439.1970 452.8345 496.2048 10
max.col(DF[-1], "first") 99.71936 138.2285 175.2334 207.6365 239.6519 10
奇妙なことに、これはAlexisのタイミングを再現せず、Davidが最速であることを示しています。これはR3.1.2にあります。
[〜＃〜] edit [〜＃〜]：フランクとの会話に基づいて、R3.1.2との互換性を高めるためにAlexis関数を更新しました。
ff2 = function(x) {
ans = as.integer(x[[1]])
for(i in 2:length(x)) {
inds = which(ans == 0L)
if(!length(inds)) return(ans)
ans[inds] = i * (x[[i]][inds] == 1)
}
return(ans)
}
そして、これは元の結果に近づきます。
Unit: milliseconds
expr min lq median uq max neval
ff(DF[-1]) 407.92699 415.11716 421.18274 428.02092 462.2474 10
ff2(DF[-1]) 64.20484 72.74729 79.85748 81.29153 148.6439 10
このツイート に示されているメソッドの行に沿って、dplyr::mutate()内でdplyr::case_whenを使用できます。
# Using version 0.5.0.
# Dev version may work without `with()`.
df %>%
mutate(., firstyear = with(., case_when(
in05 == 1 ~ 2005,
in06 == 1 ~ 2006,
in07 == 1 ~ 2007,
in08 == 1 ~ 2008,
in09 == 1 ~ 2009,
TRUE ~ 0
)))
私はいつも整頓されたデータで作業することを好みます。最初の方法は、cumsumsをフィルタリングします
# Tidy
df <- df %>%
gather(year, present.or.not, -id)
# Create df of first instances
first.df <- df %>%
group_by(id, present.or.not) %>%
mutate(ranky = rank(cumsum(present.or.not)),
first.year = year) %>%
filter(ranky == 1)
# Prepare for join
first.df <- first.df[,c('id', 'first.year')]
# Join with original
df <- left_join(df,first.df)
# Spread
spread(df, year, present.or.not)
または、整理した後、配置されたグループから最初の行をスライスするこの代替手段。
df %>%
gather(year, present_or_not, -id) %>%
filter(present_or_not==1) %>%
group_by(id) %>%
arrange(id, year) %>%
slice(1) %>%
mutate(year = str_replace(year, "in", "20")) %>%
select(1:2) %>%
right_join(df)`
他の厄介な選択肢：
library(tidyr)
library(sqldf)
newdf <- gather(df, year, code, -id)
df$firstyear <- sqldf('SELECT min(rowid) rowid, id, year as firstyear
FROM newdf
WHERE code = 1
GROUP BY id')[3]
library(tidyr)
df2 <- gather(df, year, code, -id)
df2 <- df2[df2$code == 1, 1:2]
df2 <- df2[!duplicated(df2$id), ]
merge(df, df2)
library(tidyr)
library(dplyr)
newdf <- gather(df, year, code, -id)
df$firstyear <- (newdf %>%
filter(code==1) %>%
select(id, year) %>%
group_by(id) %>%
summarise(first = first(year)))[2]
出力：
id in05 in06 in07 in08 in09 year
1 a 1 0 1 0 0 in05
2 b 0 0 1 1 0 in07
3 c 0 0 0 1 0 in08
4 d 1 1 1 1 1 in05
よりクリーンなソリューション plafortsソリューションとalexises_lazの組み合わせは次のとおりです。
names(df) <- c("id", 2005, 2006, 2007, 2008, 2009)
df$firstyear <- names(df[-1])[apply(df[-1], 1, which.max)]
id 2005 2006 2007 2008 2009 firstyear
1 a 1 0 1 0 0 2005
2 b 0 0 1 1 0 2007
3 c 0 0 0 1 0 2008
4 d 1 1 1 1 1 2005
元の列名を保持したい場合は、@ DavidArenburgによって提供された名前変更を使用できます。
df$firstYear <- gsub('in', '20', names(df[-1]))[apply(df[-1], 1, which.max)]
id in05 in06 in07 in08 in09 firstYear
1 a 1 0 1 0 0 2005
2 b 0 0 1 1 0 2007
3 c 0 0 0 1 0 2008
4 d 1 1 1 1 1 2005