我正在尝试将数据框分类。类似于您需要的维恩图,但是我想以某种方式“ grepl”采样列标题。意思是,只要共享模式并且满足数字阈值,就可以将其分类为所述类别。
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
所需的输出
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
我以为它涉及到带有case_when()
和/或ifelse()
语句的整洁的mutate语句,但是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。因此,这就是为什么我想使用通配符对列标题进行分类。
接受所有建议。
我建议使用“枢轴”,case_when
和“联接”来获得您的结果。
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(!grepl("c", name) | value > 0) ~ "Shared c",
all(!grepl("d", name) | value > 0) ~ "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row
列,以确保该类别将与原始行配对,因为否则这些行将不会被唯一标识(除非通过完全唯一性,否则我将不会依靠)。我pivot
的使用是为了避免我们不依赖于特定的列名或仅存在五个列(这对于3和300来说同样适用,给出或采用您的逻辑规则。最后,!grepl(...) | value>0
的使用是特定的反转以确保所有c
-包括(和d
)名称的值都大于0;它易于扩展,尽管根据您的实际用例,您可能需要更强的正则表达式(例如,单词边界)。
在base R
中,我们可以基于逻辑创建一个数字索引,然后将该索引用作位置索引以更改值
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"