R：改进嵌套 ifelse 语句和多种模式

Question

我将继续使用一些动物收容所数据进行一些数据清理实践。我的目标是减少品种类别的数量。

我将每个品种类别用作与 outgoing$Single.Breed 数据框列的部分模式匹配。因此，在某些情况下品种只是 Chihuahua，但也可能是 Long Hair Chihuahua。（因此，我使用 grepl。）因此，任何包含品种类别的内容都将在该类别的不同列中表示。此外，我还需要添加 cat 品种类别...使代码更加混乱。

下面的代码是我的"solution"，但它很笨拙。是否有更好、更灵活 and/or 更有效的方法来完成此任务？

BreedCategories <- ifelse(outgoing$New.Type == "Dog",
           ifelse(grepl("Chihuahua",outgoing$Single.Breed, ignore.case = TRUE), "Chihuahua",
           ifelse(grepl("Pit Bull",outgoing$Single.Breed, ignore.case = TRUE), "Pit Bull",
           ifelse(grepl("Terrier",outgoing$Single.Breed, ignore.case = TRUE), "Terrier",
           ifelse(grepl("Shepherd",outgoing$Single.Breed, ignore.case = TRUE), "Shepherd",
           ifelse(grepl("Poodle",outgoing$Single.Breed, ignore.case = TRUE), "Poodle",
           ifelse(grepl("Labrador|Retriever",outgoing$Single.Breed, ignore.case = TRUE),"Labrador",
           "Other")))))),"Cat")

Answer 1

创建一个 data.frame 在正则表达式和品种之间映射的

map <- data.frame(
    pattern=c(
        "Chihuahua", "Pit Bull", "Terrier", "Shepherd",
        "Poodle", "Labrador|Retriever", "Other"),
    isa=c(
        "Chihuahua", "Pit Bull", "Terrier", "Shepherd",
        "Poodle", "Labrador", "Other"),
    stringsAsFactors=FALSE)

和一些数据

outgoing <- data.frame(Single.Breed=c(map$isa, "Pit Bull Poodle", "Pug"),
                       stringsAsFactors=FALSE)

对于程序，使用vapply()和grepl()将每个模式与数据匹配；使用 grepl() 意味着结果是一个矩阵，每个条目对应行

isa <- vapply(map$pattern, grepl, logical(nrow(outgoing)), outgoing$Single.Breed)
if (any(rowSums(isa) > 1))
    warning("ambiguous breeds: ", outgoing$Single.Breed[rowSums(isa) != 1])

使用 max.col() 访问每一行并检索最佳（最后）匹配（如果没有匹配则恰好是 'Other'）。

outgoing$BreedCategory <- map$isa[max.col(isa, "last")]

这是结果

> isa <- vapply(map$pattern, grepl, logical(nrow(outgoing)), outgoing$Single.Breed)
> if (any(rowSums(isa) > 1))
+     warning("ambiguous breeds: ", outgoing$Single.Breed[rowSums(isa) != 1])
Warning message:
ambiguous breeds: Pit Bull Poodle 
> outgoing$BreedCategory <- map$isa[max.col(isa, "last")]
> outgoing
     Single.Breed BreedCategory
1       Chihuahua     Chihuahua
2        Pit Bull      Pit Bull
3         Terrier       Terrier
4        Shepherd      Shepherd
5          Poodle        Poodle
6        Labrador      Labrador
7           Other         Other
8 Pit Bull Poodle        Poodle
9             Pug         Other

我想这种方法很有吸引力，因为它更清楚地将 'data'（正则表达式和输入品种）与 'program'（grepl() 和 max.col()）区分开来。

'Other' 的处理似乎有点脆弱——如果您忘记它应该是 map 的最后一个元素怎么办？一种可能性是创建一个指示变量来测试 isa 的行总和，并使用它来有条件地分配 breed

test = rowSums(isa)
outgoing$BreedCategory[test == 0] = "Other"
outgoing$BreedCategory[test == 1] = map$isa[max.col(isa)][test == 1]
outgoing$BreedCategory[test > 1] = "Mixed"

上面的方法 space 效率不高（矩阵将长度为 n 的数据转换为正则表达式矩阵的 n x #），但似乎可以完成 1M 输入行的工作。

dplyr::case_when()好像要写很多grepl()语句，容易出错

R：改进嵌套 ifelse 语句和多种模式

R: Improving Nested ifelse Statements & Multiple Patterns

if-statement

r

pattern-matching

grepl