将函数应用于数据框中的每个列，观察每个列的现有数据类型

Question

我正在尝试获取大型数据框中每列的最小值/最大值，作为了解我的数据的一部分。我的第一次尝试是：

apply(t,2,max,na.rm=1)

它将所有内容视为字符向量，因为前几列是字符类型。因此，一些数字列的最大值将以" -99.5"形式出现。

然后我尝试了这个：

sapply(t,max,na.rm=1)

但它抱怨最大因素没有意义。 （lapply是一样的。）令我困惑的是，apply认为max对于因素非常有意义，例如：它为第1列返回了“ZEBRA”。

顺便说一句，我看了一下Using sapply on vector of POSIXct，其中一个答案是“当你使用sapply时，你的对象被强制为数字，......”。这是发生在我身上的事吗？如果是这样，是否有一个不强制的替代应用功能？当然这是一个常见的需求，因为数据框类型的一个关键特征是每列可以是不同的类型。

Answer 1

如果它是一个“有序因素”，事情会有所不同。这并不是说我喜欢“有序因素”，我不这么说，只是说某些关系是为“因子”定义的“有序因子”而定义的。因素被认为是普通的分类变量。您正在查看因素的自然排序顺序，这些因素是您的语言环境的字母词汇顺序。如果你想为每一列，...日期和因素以及所有列自动强制为“数字”，那么尝试：

sapply(df, function(x) max(as.numeric(x)) )   # not generally a useful result

或者，如果您想先测试因子并按预期返回：

sapply( df, function(x) if("factor" %in% class(x) ) { 
            max(as.numeric(as.character(x)))
            } else { max(x) } )

@Darrens的评论确实有效：

 sapply(df, function(x) max(as.character(x)) )  

max确实成功地使用了角色向量。

Answer 2

max与apply合作的原因是apply首先将数据框强制转换为矩阵，而矩阵只能容纳一种数据类型。所以你最终会得到一个字符矩阵。 sapply只是lapply的包装器，所以两者都产生相同的错误就不足为奇了。

创建数据框时的默认行为是将分类列存储为因子。除非你指定它是一个有序因子，否则max和min等操作将是未定义的，因为R假设你已经创建了一个无序因子。

您可以通过指定options(stringsAsFactors = FALSE)来更改此行为，这将更改整个会话的默认值，或者您可以在stringsAsFactors = FALSE构造调用本身中传递data.frame()。请注意，这只是意味着min和max默认采用“按字母顺序”排序。

或者您可以手动指定每个因素的排序，但我怀疑这是您想要做的。

无论如何，sapply通常会产生一个原子向量，这将需要在很多情况下将所有内容转换为字符。解决这个问题的方法如下：

#Some test data
d <- data.frame(v1 = runif(10), v2 = letters[1:10], 
                v3 = rnorm(10), v4 = LETTERS[1:10],stringsAsFactors = TRUE)

d[4,] <- NA

#Similar function to DWin's answer          
fun <- function(x){
    if(is.numeric(x)){max(x,na.rm = 1)}
    else{max(as.character(x),na.rm=1)}
}   

#Use colwise from plyr package
colwise(fun)(d)
         v1 v2       v3 v4
1 0.8478983  j 1.999435  J

Answer 3

如果你想学习你的数据，summary (df)提供min，1st分位数，中位数和平均数，第3个分位数和最大数值列以及因子列顶级的频率。

Answer 4

建立在@ltamar的答案上： 使用摘要并将输出变为有用的东西！

library(tidyr)
library(dplyr)

df %>% 
  summary %>% 
  data.frame %>%
  select(-Var1) %>%
  separate(data=.,col=Freq,into = c('metric','value'),sep = ':') %>%
  rename(column_name=Var2) %>%
  mutate(value=as.numeric(value),
         metric = trimws(metric,'both') 
  ) %>%  
  filter(!is.na(value)) -> metrics

它不漂亮，肯定不会很快，但它完成了工作！