我正在尝试用dplyr找出一个简单的方法来处理这样的情况(数据集=dat,变量=x)。
应该很简单,但这是我目前能做到的最好的了。有没有更简单的方法?
dat$x[dat$x<0]=NA
应该很简单,但这是我目前能做到的最好的了。有没有更简单的方法?
dat = dat %>% mutate(x=ifelse(x<0,NA,x))
您可以使用replace
函数,它比ifelse
更快:
dat <- dat %>% mutate(x = replace(x, x<0, NA))
您可以使用which
参数,并为replace
提供一个索引,以进一步加快速度:
dat <- dat %>% mutate(x = replace(x, which(x<0L), NA))
在我的电脑上,这将时间缩短了三分之一,请看下面。
这里是不同答案的简单比较,当然只是指示性的:
set.seed(24)
dat <- data.frame(x=rnorm(1e6))
system.time(dat %>% mutate(x = replace(x, x<0, NA)))
User System elapsed
0.03 0.00 0.03
system.time(dat %>% mutate(x=ifelse(x<0,NA,x)))
User System elapsed
0.30 0.00 0.29
system.time(setDT(dat)[x<0,x:=NA])
User System elapsed
0.01 0.00 0.02
system.time(dat$x[dat$x<0] <- NA)
User System elapsed
0.03 0.00 0.03
system.time(dat %>% mutate(x = "is.na<-"(x, x < 0)))
User System elapsed
0.05 0.00 0.05
system.time(dat %>% mutate(x = NA ^ (x < 0) * x))
User System elapsed
0.01 0.00 0.02
system.time(dat %>% mutate(x = replace(x, which(x<0), NA)))
User System elapsed
0.01 0.00 0.01
(我正在使用dplyr_0.3.0.2和data.table_1.9.4)
由于我们总是对基准测试非常感兴趣,特别是在讨论data.table-vs-dplyr的过程中,我提供了另一个基准测试,使用microbenchmark和akrun的数据测试了三个答案。请注意,我修改了dplyr1
,将其更新为我的答案:
set.seed(285)
dat1 <- dat <- data.frame(x=sample(-5:5, 1e8, replace=TRUE), y=rnorm(1e8))
dtbl1 <- function() {setDT(dat)[x<0,x:=NA]}
dplr1 <- function() {dat1 %>% mutate(x = replace(x, which(x<0L), NA))}
dplr2 <- function() {dat1 %>% mutate(x = NA ^ (x < 0) * x)}
microbenchmark(dtbl1(), dplr1(), dplr2(), unit='relative', times=20L)
#Unit: relative
# expr min lq median uq max neval
# dtbl1() 1.091208 4.319863 4.194086 4.162326 4.252482 20
# dplr1() 1.000000 1.000000 1.000000 1.000000 1.000000 20
# dplr2() 6.251354 5.529948 5.344294 5.311595 5.190192 20
dplyr中最自然的方法是使用na_if
函数。
对于一个变量:
dat %<>% mutate(x = na_if(x, x < 0))
对于所有的变量:
dat %<>% mutate_all(~ na_if(., . < 0))
如果希望替换特定的值,而不是所有变量的范围:
dat %<>% mutate_all(na_if, 0)
请注意,我正在使用magrittr
包中的%<>%
运算符。
na_if(x, y)
doesn't seem to work in this example where y is a condition that contains x. Compare: quakes %>% mutate(depth = na_if(depth, depth > 610))
doesn't mutate anything, but the following does: quakes %>% mutate(depth = replace(depth, depth > 610))
- Agile Bean, NA
,使其变为:quakes %>% mutate(depth = replace(depth, depth > 610, NA))
- tassonesis.na<-
函数:dat %>% mutate(x = "is.na<-"(x, x < 0))
或者您可以使用数学运算符:
dat %>% mutate(x = NA ^ (x < 0) * x)
如果您正在使用data.table
,则以下代码更快。
library(data.table)
setDT(dat)[x<0,x:=NA]
使用data.table_1.9.5
和dplyr_0.3.0.9000
library(microbenchmark)
set.seed(285)
dat <- data.frame(x=sample(-5:5, 1e7, replace=TRUE), y=rnorm(1e7))
dtbl1 <- function() {as.data.table(dat)[x<0,x:=NA]}
dplr1 <- function() {dat %>% mutate(x = replace(x, x<0, NA))}
microbenchmark(dtbl1(), dplr1(), unit='relative', times=20L)
#Unit: relative
#expr min lq mean median uq max neval cld
#dtbl1() 1.00000 1.000000 1.000000 1.000000 1.000000 1.000000 20 a
#dplr1() 2.06654 2.064405 1.927762 1.795962 1.881821 1.885655 20 b
使用 data.table_1.9.5
和 dplyr_0.4.0
。我使用了稍微更大的数据集,并用setDT
替换了as.data.table
(也包括@Sven Hohenstein的更快的函数)。
set.seed(285)
dat <- data.frame(x=sample(-5:5, 1e8, replace=TRUE), y=rnorm(1e8))
dat1 <- copy(dat)
dtbl1 <- function() {setDT(dat)[x<0,x:=NA]}
dplr1 <- function() {dat1 %>% mutate(x = replace(x, x<0, NA))}
dplr2 <- function() {dat1 %>% mutate(x = NA ^ (x < 0) * x)}
microbenchmark(dtbl1(), dplr1(), dplr2(), unit='relative', times=20L)
#Unit: relative
# expr min lq mean median uq max neval cld
#dtbl1() 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 20 a
#dplr1() 2.523945 2.542412 2.536255 2.579379 2.518336 2.486757 20 b
#dplr2() 1.139216 1.089992 1.088753 1.058653 1.093906 1.100690 20 a
应 @docendo discimus 的要求,再次使用data.table_1.9.5
和 dplyr_0.4.0
来对他的“新”版本的dplyr
进行基准测试。
注意:由于@docendo discimus的代码发生了变化,我将`data.table`中的0
更改为0L
。
set.seed(285)
dat <- data.frame(x=sample(-5:5, 1e8, replace=TRUE), y=rnorm(1e8))
dat1 <- copy(dat)
dtbl1 <- function() {setDT(dat)[x<0L, x:= NA]}
dplr1 <- function() {dat1 %>% mutate(x = replace(x, which(x<0L), NA))}
dplr2 <- function() {dat1 %>% mutate(x = NA ^ (x < 0) * x)}
microbenchmark(dtbl1(), dplr1(), dplr2(), unit='relative', times=20L)
#Unit: relative
#expr min lq mean median uq max neval cld
#dtbl1() 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 20 a
#dplr1() 2.186055 2.183432 2.142293 2.222458 2.194450 1.442444 20 b
#dplr2() 2.919854 2.925795 2.852528 2.942700 2.954657 1.904249 20 c
set.seed(24)
dat <- data.frame(x=sample(-5:5, 25, replace=TRUE), y=rnorm(25))
data.table_1.9.5
和 dplyr_0.4.0
。 - Khashaadata.table_1.9.4
和dplyr_0.3.0.2
的结果与@Akrun相似。然后我升级到了dplyr_0.4.0
,但是dplyr
仍然比原来快了约两倍。 - Vlodplyr
特定问题中发布了一个 data.table 解决方案。 - akrun直接在 x
列上使用 replace
并且不使用 mutate
也可以起作用。
dat$x <- replace(dat$x, dat$x<0, NA)
data.table
更快。 - M--