case_when 可以报告它选择的变量的名称及其值吗？

Question

我有一个数据集，其中对于每个唯一的 DOI，特定变量的值分散在三个变量（列）的任意组合中。发生这种情况是因为我搜索了三个不同的在线搜索引擎以获取 DOI 信息，并将结果合并到一个文件中。示例数据集如下：

df1 <- data.frame(
  'DOI' = c("A","B","C","D","E", "G", "H", "I")
  , 'V2' = c(1,NA,NA,4,5,NA,7, NA)
  , 'V3' = c(NA,2,NA,4,5,6,NA, NA)
  , 'V4' = c(NA,NA,3,4,NA,6,7, NA)
)

df1

  DOI V2 V3 V4
1   A  1 NA NA
2   B NA  2 NA
3   C NA NA  3
4   D  4  4  4
5   E  5  5 NA
6   G NA  6  6
7   H  7 NA  7
8   I NA NA NA

下面的代码允许我 select 数据，无论它包含在三列（V2、V3 或 V4）中的哪一列，并将其保存在一个新变量 V5 中。

library(dplyr)
df2 <- df1 %>% mutate(V5 = case_when((!is.na(V2) & is.na(V3) & is.na(V4)) ~ V2,
                            (is.na(V2) & !is.na(V3) & is.na(V4) ) ~ V3,
                            (is.na(V2) & is.na(V3) & !is.na(V4) ) ~ V4,
                            (!is.na(V2) & !is.na(V3) & !is.na(V4) ) ~ V2,
                            (!is.na(V2) & !is.na(V3) & is.na(V4) ) ~ V3,
                            (is.na(V2) & !is.na(V3) & !is.na(V4) ) ~ V3,
                            (!is.na(V2) & is.na(V3) & !is.na(V4) ) ~ V2,
                            (is.na(V2) & is.na(V3) & is.na(V4) ) ~ V2,
                            TRUE ~ NA_real_))
df2

  DOI V2 V3 V4 V5
1   A  1 NA NA  1
2   B NA  2 NA  2
3   C NA NA  3  3
4   D  4  4  4  4
5   E  5  5 NA  5
6   G NA  6  6  6
7   H  7 NA  7  7
8   I NA NA NA NA

我还想记录（作为 V6），哪些变量（V2、V3 或 V4）是复制到 V5 中的数据的来源。我尝试了以下操作，但它似乎只是复制了进入 V5 的变量的值，而不是变量本身的名称。

df3 <- df2 %>% mutate(V6 = case_when((!is.na(V2) & is.na(V3) & is.na(V4)) ~ "V2",
                                     (is.na(V2) & !is.na(V3) & is.na(V4) ) ~ "V3",
                                     (is.na(V2) & is.na(V3) & !is.na(V4) ) ~ "V4",
                                     (!is.na(V2) & !is.na(V3) & !is.na(V4) ) ~ "V2",
                                     (!is.na(V2) & !is.na(V3) & is.na(V4) ) ~ "V3",
                                     (is.na(V2) & !is.na(V3) & !is.na(V4) ) ~ "V3",
                                     (!is.na(V2) & is.na(V3) & !is.na(V4) ) ~ "V2",
                                     (is.na(V2) & is.na(V3) & is.na(V4) ) ~ "V2",
                                     TRUE ~ NA_real_))
df3

  DOI V2 V3 V4 V5 V6
1   A  1 NA NA  1  1
2   B NA  2 NA  2  2
3   C NA NA  3  3  3
4   D  4  4  4  4  4
5   E  5  5 NA  5  5
6   G NA  6  6  6  6
7   H  7 NA  7  7  7
8   I NA NA NA NA NA

是否可以同时记录select编辑数据的变量名称？这将允许跟踪我使用了哪些搜索引擎来查找匹配的 DOI 信息。

Answer 1

这是一个基本的 R 选项，使用 max.col 到 select 每行中的第一个 non-NA 值和相应的列名称。

inds <- max.col(!is.na(df1[-1]), 'first')
df1$V5 <- df1[-1][cbind(1:nrow(df1), inds)]
df1$V6 <- names(df1[-1])[inds]
#To replace column name with all NA value to NA
df1$V6[rowSums(!is.na(df1[-1])) == 0] <- NA

如果您对 dplyr 解决方案感兴趣，您可以将 rowwise 与 c_across 一起使用：

library(dplyr)

df1 %>%
  rowwise() %>%
  mutate(V5 = na.omit(c_across(V2:V4))[1], 
         V6 = names(.)[-1][which(!is.na(c_across(V2:V4)))[1]])

#   DOI      V2    V3    V4    V5 V6   
#  <chr> <dbl> <dbl> <dbl> <dbl> <chr>
#1 A         1    NA    NA     1 V2   
#2 B        NA     2    NA     2 V3   
#3 C        NA    NA     3     3 V4   
#4 D         4     4     4     4 V2   
#5 E         5     5    NA     5 V2   
#6 G        NA     6     6     6 V3   
#7 H         7    NA     7     7 V2   
#8 I        NA    NA    NA    NA NA

我们使用 -1 因为我们想在计算中忽略第一列 DOI。

Answer 2

使用基数 R：

> df1
  DOI V2 V3 V4
1   A  1 NA NA
2   B NA  2 NA
3   C NA NA  3
4   D  4  4  4
5   E  5  5 NA
6   G NA  6  6
7   H  7 NA  7
8   I NA NA NA
> df1$V5 <- apply(df1[2:4], 1, max, na.rm = T)
> df1$V5[is.infinite(df1$V5)] <- NA
> df1$V6 <- apply(df1[2:4],1,which.max)
> df1$V6 <- as.integer(df1$V6)
> df1$V6 <- names(df1)[2:4][df1$V6]
> df1
  DOI V2 V3 V4 V5   V6
1   A  1 NA NA  1   V2
2   B NA  2 NA  2   V3
3   C NA NA  3  3   V4
4   D  4  4  4  4   V2
5   E  5  5 NA  5   V2
6   G NA  6  6  6   V3
7   H  7 NA  7  7   V2
8   I NA NA NA NA <NA>
>

case_when 可以报告它选择的变量的名称及其值吗？

Can case_when report the names of the variables it selects as well as their values?

r

dataframe

dplyr

case-when