У меня есть набор данных из 105000 строк и 30 столбцов. У меня есть категориальная переменная, которую я хотел бы присвоить номеру. В Excel я бы наверное что то сделал с VLOOKUPи заливкой.
Как я могу сделать то же самое R?
По сути, у меня есть HouseTypeпеременная, и мне нужно вычислить HouseTypeNo. Вот несколько примеров данных:
HouseType HouseTypeNo
Semi 1
Single 2
Row 3
Single 2
Apartment 4
Apartment 4
Row 3
Ответы:
Если я правильно понимаю ваш вопрос, вот четыре метода, позволяющих выполнить эквивалент Excel VLOOKUPи заполнить его, используя R:
# load sample data from Q
hous <- read.table(header = TRUE,
stringsAsFactors = FALSE,
text="HouseType HouseTypeNo
Semi 1
Single 2
Row 3
Single 2
Apartment 4
Apartment 4
Row 3")
# create a toy large table with a 'HouseType' column
# but no 'HouseTypeNo' column (yet)
largetable <- data.frame(HouseType = as.character(sample(unique(hous$HouseType), 1000, replace = TRUE)), stringsAsFactors = FALSE)
# create a lookup table to get the numbers to fill
# the large table
lookup <- unique(hous)
HouseType HouseTypeNo
1 Semi 1
2 Single 2
3 Row 3
5 Apartment 4
Вот четыре способа , чтобы заполнить HouseTypeNoв largetableиспользовании значений в lookupтаблице:
Сначала mergeв базе:
# 1. using base
base1 <- (merge(lookup, largetable, by = 'HouseType'))
Второй метод с именованными векторами в базе:
# 2. using base and a named vector
housenames <- as.numeric(1:length(unique(hous$HouseType)))
names(housenames) <- unique(hous$HouseType)
base2 <- data.frame(HouseType = largetable$HouseType,
HouseTypeNo = (housenames[largetable$HouseType]))
В-третьих, используя plyrпакет:
# 3. using the plyr package
library(plyr)
plyr1 <- join(largetable, lookup, by = "HouseType")
В-четвертых, с помощью sqldfпакета
# 4. using the sqldf package
library(sqldf)
sqldf1 <- sqldf("SELECT largetable.HouseType, lookup.HouseTypeNo
FROM largetable
INNER JOIN lookup
ON largetable.HouseType = lookup.HouseType")
Если возможно, что некоторые типы домов largetableне существуют, lookupтогда будет использоваться левое соединение:
sqldf("select * from largetable left join lookup using (HouseType)")
Потребуются соответствующие изменения и в других решениях.
Это то, что ты хотел сделать? Дайте мне знать, какой метод вам нравится, и я добавлю комментарий.
Думаю, вы также можете использовать match():
largetable$HouseTypeNo <- with(lookup,
HouseTypeNo[match(largetable$HouseType,
HouseType)])
Это все еще работает, если я шифрую порядок lookup.
Мне также нравится использовать qdapTools::lookupили сокращенный двоичный оператор %l%. Он работает так же, как Excel vlookup, но принимает аргументы имени, а не номера столбцов.
## Replicate Ben's data:
hous <- structure(list(HouseType = c("Semi", "Single", "Row", "Single",
"Apartment", "Apartment", "Row"), HouseTypeNo = c(1L, 2L, 3L,
2L, 4L, 4L, 3L)), .Names = c("HouseType", "HouseTypeNo"),
class = "data.frame", row.names = c(NA, -7L))
largetable <- data.frame(HouseType = as.character(sample(unique(hous$HouseType),
1000, replace = TRUE)), stringsAsFactors = FALSE)
## It's this simple:
library(qdapTools)
largetable[, 1] %l% hous
Решение №2 ответа @Ben не воспроизводится в других более общих примерах. В примере это дает правильный поиск, потому что уникальные HouseTypeв housesпоявляются в порядке возрастания. Попробуй это:
hous <- read.table(header = TRUE, stringsAsFactors = FALSE, text="HouseType HouseTypeNo
Semi 1
ECIIsHome 17
Single 2
Row 3
Single 2
Apartment 4
Apartment 4
Row 3")
largetable <- data.frame(HouseType = as.character(sample(unique(hous$HouseType), 1000, replace = TRUE)), stringsAsFactors = FALSE)
lookup <- unique(hous)
Решение Бенса №2 дает
housenames <- as.numeric(1:length(unique(hous$HouseType)))
names(housenames) <- unique(hous$HouseType)
base2 <- data.frame(HouseType = largetable$HouseType,
HouseTypeNo = (housenames[largetable$HouseType]))
который когда
unique(base2$HouseTypeNo[ base2$HouseType=="ECIIsHome" ])
[1] 2
когда правильный ответ 17 из таблицы поиска
Правильный способ сделать это
hous <- read.table(header = TRUE, stringsAsFactors = FALSE, text="HouseType HouseTypeNo
Semi 1
ECIIsHome 17
Single 2
Row 3
Single 2
Apartment 4
Apartment 4
Row 3")
largetable <- data.frame(HouseType = as.character(sample(unique(hous$HouseType), 1000, replace = TRUE)), stringsAsFactors = FALSE)
housenames <- tapply(hous$HouseTypeNo, hous$HouseType, unique)
base2 <- data.frame(HouseType = largetable$HouseType,
HouseTypeNo = (housenames[largetable$HouseType]))
Теперь поиски выполняются правильно
unique(base2$HouseTypeNo[ base2$HouseType=="ECIIsHome" ])
ECIIsHome
17
Я попытался отредактировать ответ Бенса, но он был отклонен по непонятным мне причинам.
Начиная с:
houses <- read.table(text="Semi 1
Single 2
Row 3
Single 2
Apartment 4
Apartment 4
Row 3",col.names=c("HouseType","HouseTypeNo"))
... вы можете использовать
as.numeric(factor(houses$HouseType))
... дать уникальный номер для каждого типа дома. Вы можете увидеть результат здесь:
> houses2 <- data.frame(houses,as.numeric(factor(houses$HouseType)))
> houses2
HouseType HouseTypeNo as.numeric.factor.houses.HouseType..
1 Semi 1 3
2 Single 2 4
3 Row 3 2
4 Single 2 4
5 Apartment 4 1
6 Apartment 4 1
7 Row 3 2
... так что вы получите разные числа в строках (потому что факторы упорядочены в алфавитном порядке), но с одним и тем же шаблоном.
(РЕДАКТИРОВАТЬ: оставшийся текст в этом ответе на самом деле избыточен. Мне пришло в голову проверить, и оказалось, что read.table()дома $ HouseType уже стали фактором, когда он был считан в фрейм данных в первую очередь).
Однако вам вполне может быть лучше просто преобразовать HouseType в коэффициент, который даст вам все те же преимущества, что и HouseTypeNo, но будет легче интерпретировать, потому что типы домов именуются, а не пронумерованы, например:
> houses3 <- houses
> houses3$HouseType <- factor(houses3$HouseType)
> houses3
HouseType HouseTypeNo
1 Semi 1
2 Single 2
3 Row 3
4 Single 2
5 Apartment 4
6 Apartment 4
7 Row 3
> levels(houses3$HouseType)
[1] "Apartment" "Row" "Semi" "Single"
Плакат не спрашивал о поиске значений if exact=FALSE, но я добавляю это как ответ для себя и, возможно, других.
Если вы ищете категориальные ценности, используйте другие ответы.
Excel vlookupтакже позволяет вам приблизительно сопоставить числовые значения с 4-м аргументом (1) match=TRUE. Я думаю оmatch=TRUE как искать значения на термометре. Значение по умолчанию - FALSE, что идеально подходит для категориальных значений.
Если вы хотите приблизительно сопоставить (выполнить поиск), R имеет функцию findInterval, которая (как следует из названия) найдет интервал / корзину, содержащую ваше непрерывное числовое значение.
Однако предположим, что вы хотите findIntervalиспользовать несколько значений. Вы можете написать цикл или использовать функцию применения. Однако я считаю более эффективным использовать векторизованный подход своими руками.
Допустим, у вас есть сетка значений, индексированных по x и y:
grid <- list(x = c(-87.727, -87.723, -87.719, -87.715, -87.711),
y = c(41.836, 41.839, 41.843, 41.847, 41.851),
z = (matrix(data = c(-3.428, -3.722, -3.061, -2.554, -2.362,
-3.034, -3.925, -3.639, -3.357, -3.283,
-0.152, -1.688, -2.765, -3.084, -2.742,
1.973, 1.193, -0.354, -1.682, -1.803,
0.998, 2.863, 3.224, 1.541, -0.044),
nrow = 5, ncol = 5)))
и у вас есть некоторые значения, которые вы хотите найти по x и y:
df <- data.frame(x = c(-87.723, -87.712, -87.726, -87.719, -87.722, -87.722),
y = c(41.84, 41.842, 41.844, 41.849, 41.838, 41.842),
id = c("a", "b", "c", "d", "e", "f")
Вот визуализированный пример:
contour(grid)
points(df$x, df$y, pch=df$id, col="blue", cex=1.2)
Вы можете найти интервалы x и интервалы y с помощью этой формулы:
xrng <- range(grid$x)
xbins <- length(grid$x) -1
yrng <- range(grid$y)
ybins <- length(grid$y) -1
df$ix <- trunc( (df$x - min(xrng)) / diff(xrng) * (xbins)) + 1
df$iy <- trunc( (df$y - min(yrng)) / diff(yrng) * (ybins)) + 1
Вы можете сделать еще один шаг и выполнить (упрощенную) интерполяцию значений z gridследующим образом:
df$z <- with(df, (grid$z[cbind(ix, iy)] +
grid$z[cbind(ix + 1, iy)] +
grid$z[cbind(ix, iy + 1)] +
grid$z[cbind(ix + 1, iy + 1)]) / 4)
Что дает вам следующие значения:
contour(grid, xlim = range(c(grid$x, df$x)), ylim = range(c(grid$y, df$y)))
points(df$x, df$y, pch=df$id, col="blue", cex=1.2)
text(df$x + .001, df$y, lab=round(df$z, 2), col="blue", cex=1)
df
# x y id ix iy z
# 1 -87.723 41.840 a 2 2 -3.00425
# 2 -87.712 41.842 b 4 2 -3.11650
# 3 -87.726 41.844 c 1 3 0.33150
# 4 -87.719 41.849 d 3 4 0.68225
# 6 -87.722 41.838 e 2 1 -3.58675
# 7 -87.722 41.842 f 2 2 -3.00425
Обратите внимание, что ix и iy также можно было найти с помощью цикла findInterval, например, вот один пример для второй строки
findInterval(df$x[2], grid$x)
# 4
findInterval(df$y[2], grid$y)
# 2
Какие совпадения ixи iyвdf[2]
Сноска: (1) Четвертый аргумент vlookup ранее назывался «match», но после того, как они представили ленту, он был переименован в «[range_lookup]».
Вы можете использовать mapvalues()из пакета plyr.
Исходные данные:
dat <- data.frame(HouseType = c("Semi", "Single", "Row", "Single", "Apartment", "Apartment", "Row"))
> dat
HouseType
1 Semi
2 Single
3 Row
4 Single
5 Apartment
6 Apartment
7 Row
Таблица поиска / пешеходного перехода:
lookup <- data.frame(type_text = c("Semi", "Single", "Row", "Apartment"), type_num = c(1, 2, 3, 4))
> lookup
type_text type_num
1 Semi 1
2 Single 2
3 Row 3
4 Apartment 4
Создайте новую переменную:
dat$house_type_num <- plyr::mapvalues(dat$HouseType, from = lookup$type_text, to = lookup$type_num)
Или для простой замены вы можете пропустить создание длинной таблицы поиска и сделать это прямо за один шаг:
dat$house_type_num <- plyr::mapvalues(dat$HouseType,
from = c("Semi", "Single", "Row", "Apartment"),
to = c(1, 2, 3, 4))
Результат:
> dat
HouseType house_type_num
1 Semi 1
2 Single 2
3 Row 3
4 Single 2
5 Apartment 4
6 Apartment 4
7 Row 3
Использование mergeотличается от поиска в Excel, поскольку оно может дублировать (умножать) ваши данные, если ограничение первичного ключа не применяется в таблице поиска, или уменьшать количество записей, если вы не используете all.x = T.
Чтобы убедиться, что вы не столкнетесь с этим и безопасно выполните поиск, я предлагаю две стратегии.
Первый - это проверить количество повторяющихся строк в ключе поиска:
safeLookup <- function(data, lookup, by, select = setdiff(colnames(lookup), by)) {
# Merges data to lookup making sure that the number of rows does not change.
stopifnot(sum(duplicated(lookup[, by])) == 0)
res <- merge(data, lookup[, c(by, select)], by = by, all.x = T)
return (res)
}
Это заставит вас удалить дубликат набора данных поиска перед его использованием:
baseSafe <- safeLookup(largetable, house.ids, by = "HouseType")
# Error: sum(duplicated(lookup[, by])) == 0 is not TRUE
baseSafe<- safeLookup(largetable, unique(house.ids), by = "HouseType")
head(baseSafe)
# HouseType HouseTypeNo
# 1 Apartment 4
# 2 Apartment 4
# ...
Второй вариант - воспроизвести поведение Excel, взяв первое совпадающее значение из набора данных поиска:
firstLookup <- function(data, lookup, by, select = setdiff(colnames(lookup), by)) {
# Merges data to lookup using first row per unique combination in by.
unique.lookup <- lookup[!duplicated(lookup[, by]), ]
res <- merge(data, unique.lookup[, c(by, select)], by = by, all.x = T)
return (res)
}
baseFirst <- firstLookup(largetable, house.ids, by = "HouseType")
Эти функции немного отличаются от того, lookupкак они добавляют несколько столбцов.