使用dplyr在列中有条件地替换值

Question

我有一个示例数据集，其中一列的内容类似于：

Candy
Sanitizer
Candy
Water
Cake
Candy
Ice Cream
Gum
Candy
Coffee

我想做的是将其替换为只有两个因素 -“糖果”和“非糖果”。我可以使用Python/Pandas来实现，但似乎无法找到基于dplyr的解决方案。谢谢！

- user2762934

Answer 1

在 dplyr 和 tidyr 中

dat %>% 
    mutate(var = replace(var, var != "Candy", "Not Candy"))

比使用ifelse方法快得多。 创建初始数据框的代码可以如下：

library(dplyr)
dat <- as_data_frame(c("Candy","Sanitizer","Candy","Water","Cake","Candy","Ice Cream","Gum","Candy","Coffee"))
colnames(dat) <- "var"

- leerssej

---

有没有一种不需要重复使用 var 的函数？ - Julien

我熟悉的唯一一个自动填充条件语句的函数是replace_na()。其中，第一个变量是你想要的输出名称，第二个变量是输入列，第三个变量指定了你正在应用的条件语句中要使用的列。如果一个函数缺少其中一个，就必须假设（硬编码）其中一个或多个输入、输出、条件列。 - leerssej

Answer 2

使用dplyr和case_when的另一种解决方案：

dat %>%
    mutate(var = case_when(var == 'Candy' ~ 'Candy',
                           TRUE ~ 'Non-Candy'))

< p > < code > case_when 的语法为 < code > condition ~ 代替的值 。文档在此处。

与使用replace解决方案相比可能效率较低，但优势在于可以在单个命令中执行多个替换，同时仍然易于阅读，即用于生成三个级别的替换：

dat %>%
    mutate(var = case_when(var == 'Candy' ~ 'Candy',
                           var == 'Water' ~ 'Water',
                           TRUE ~ 'Neither-Water-Nor-Candy'))

- PhJ

Answer 3

假设您的数据框为dat，列名为var:

dat = dat %>% mutate(candy.flag = factor(ifelse(var == "Candy", "Candy", "Non-Candy")))

- eipi10

---

@RichardScriven的方法（对我的评论）严格地支配了这个。 - MichaelChirico

Answer 4

无需使用 dplyr。假设 var 已存储为因子：

non_c <- setdiff(levels(dat$var), "Candy")
    
levels(dat$var) <- list(Candy = "Candy", "Non-Candy" = non_c)

请查看?levels。

这比ifelse方法要高效得多，而ifelse方法则很可能会很慢：

library(microbenchmark)
set.seed(01239)
# resample data
smp <- data.frame(sample(dat$var, 1e6, TRUE))
names(smp) <- "var"
    
timings <- replicate(50, {
  # copy data to facilitate reuse
  cop <- smp
  t0 <- get_nanotime()
  levs <- setdiff(levels(cop$var), "Candy")
  levels(cop$var) <- list(Candy = "Candy", "Non-Candy" = levs)
  t1 <- get_nanotime() - t0

  cop <- smp
  t0 <- get_nanotime()
  cop = cop %>%
    mutate(candy.flag = factor(ifelse(var == "Candy", "Candy", "Non-Candy")))
  t2 <- get_nanotime() - t0

  cop <- smp
  t0 <- get_nanotime()
  cop$var <- 
    factor(cop$var == "Candy", labels = c("Non-Candy", "Candy"))
  t3 <- get_nanotime() - t0
  c(levels = t1, dplyr = t2, direct = t3)
})

x <- apply(times, 1, median)
x[2]/x[1]
#    dplyr   direct 
# 8.894303 4.962791 

也就是说，这个速度比原来快了9倍。

- MichaelChirico

---

或者也可以使用 factor(dat$var == "Candy", labels = c("非糖果", "糖果"))，不过我认为重新设置水平是一个好的选择。 - Rich Scriven

Answer 5

我没有对此进行基准测试，但至少在某些具有多个条件的情况下，mutate和列表的组合似乎提供了一种简单的解决方案：

# assuming that all sweet things fall in one category

dat <- data.frame(var = c("Candy", "Sanitizer", "Candy", "Water", "Cake", "Candy", "Ice Cream", "Gum", "Candy", "Coffee"))

conditions <- list("Candy" = TRUE, "Sanitizer" = FALSE, "Water" = FALSE, 
"Cake" = TRUE, "Ice Cream" = TRUE, "Gum" = TRUE, "Coffee" = FALSE)

dat %>% mutate(sweet = conditions[var])

- ulrich

---

写下来太长了。 - Julien

Answer 6

当你只需要两个值时，一个简单的ifelse()就足够了，我认为这更加美观。

此外，嵌套的ifelse可以模拟PhJ提出的case_when解决方案中相同的情况（尽管我确实喜欢他的可读性）！

dat %>%
    mutate(
        var = ifelse(var == "Candy", "Candy", "Non-Candy")
    )

- ZKA

Answer 7

一个较新的解决方案是使用来自 dplyr 的 case_match。

library(dplyr)
dat %>% 
    mutate(var = case_match(var, "Candy" ~ var, .default ~ "Not Candy"))

- Julien