有条件地对 R 中的列进行分类的有效方法？

Question

我正在尝试对数据框进行分类。类似于您需要的维恩图，但我想 'grepl' 以某种方式对列 headers 进行采样。意思是，只要一个模式被共享并且它满足数字阈值，它就可以被分类到所述类别中。

示例数据：

df <- data.frame(a_b_c = c(1,3,5,0,0), a_b=c(0,0,4,0,0), a_b_c_d=c(1,2,2,3,0),
                 b_d=c(0,0,3,2,3), a_c = c(1,5,1,0,0))
df

>  a_b_c a_b a_b_c_d b_d a_c    
>     1   0       1   0   1     
>     3   0       2   0   5     
>     5   4       2   3   1   
>     0   0       3   2   0   
>     0   0       0   3   0

期望输出

df_final <- data.frame(df, category = c("Other", "Shared c", "Shared all", "Shared d", "Appears once"))

df_final

>  a_b_c a_b a_b_c_d b_d a_c     category
>     1   0       1   0   1        Other
>     3   0       2   0   5     Shared c
>     5   4       2   3   1   Shared all
>     0   0       3   2   0     Shared d
>     0   0       0   3   0 Appears once

我认为它涉及一个带有 case_when() and/or ifelse() 语句的整洁的 verse mutate 语句，但我无法正确理解逻辑。这是一个示例测试数据集，我的实际数据有 >20 列。所以这就是为什么我想用通配符对列 headers 进行分类。

接受任何和所有建议。

Answer 1

我建议 "pivot"、case_when 和 "join" 为您提供结果。

library(dplyr)
# library(tidyr) # pivot_longer

df <- data.frame(a_b_c = c(1,3,5,0,0), a_b=c(0,0,4,0,0), a_b_c_d=c(1,2,2,3,0),
                 b_d=c(0,0,3,2,3), a_c = c(1,5,1,0,0)) %>%
  mutate(row = row_number())

df %>%
  tidyr::pivot_longer(-row) %>%
  group_by(row) %>%
  summarize(
    category = case_when(
      all(value > 0)                     ~ "Shared all",
      sum(value > 0) == 1L               ~ "Appears once",
      all(value == 0 | grepl("c", name)) ~ "Shared c",
      all(value == 0 | grepl("d", name)) ~ "Shared d",
      TRUE                               ~ "Other"
    )
  ) %>%
  left_join(df, ., by = "row")
#   a_b_c a_b a_b_c_d b_d a_c row     category
# 1     1   0       1   0   1   1     Shared c
# 2     3   0       2   0   5   2     Shared c
# 3     5   4       2   3   1   3   Shared all
# 4     0   0       3   2   0   4     Shared d
# 5     0   0       0   3   0   5 Appears Once

我必须添加一个 row 列，以确保类别将配对回原始行，否则行不是唯一标识的（除了完全唯一性，我不是指望）。我 pivoted 这样我们就不会依赖于特定的列名或恰好五列的存在（这同样适用于 3 和 300，给出或接受你的逻辑规则。最后，使用 !grepl(...) | value>0 是一个特定的反转，以确保所有 c-包括（和 d）名称的值都大于 0；它很容易扩展，但根据您的实际用例，您可能需要更强大的正则表达式（例如，单词边界）。

Answer 2

在base R中，我们可以根据逻辑创建一个数值索引，然后将该索引用作位置索引来更改值

i1 <- apply(df > 0, 1, function(x) {
      x1 <- x[x]
       c1 <- all(grepl('c', names(x1)))
       d1 <- all(grepl('d', names(x1)))
       all(x) + 2 * c1 + 4 * d1 +  8 * (length(x1) == 1)})
df$category <- c('Shared all', 'Shared c', 'Shared d',
            'Appears once', 'other')[as.integer(factor(i1))]
df$category
#[1] "Shared c"     "Shared c"     "Shared all"   "Shared d"     "Appears once"

有条件地对 R 中的列进行分类的有效方法？

Efficient way to conditionally categorize across columns in R?

r

dplyr

plyr