时间戳

首页 > 解决方案 > 总结布尔变量及其关系

r - 总结布尔变量及其关系

问题描述

我想总结一下布尔变量及其关系。尤其：

  1. 对于每个变量，我想计算 TRUE 的数量。
  2. 对于一对变量，我想计算 TRUE AND TRUE 的数量。

我模拟了一些数据给你一个例子：

n <- 100
id <- 1:n

set.seed(1)
d1 <- sample(c(TRUE, FALSE), n, replace = TRUE)
d2 <- sample(c(TRUE, FALSE), n, replace = TRUE)
d3 <- sample(c(TRUE, FALSE), n, replace = TRUE)
d4 <- sample(c(TRUE, FALSE), n, replace = TRUE)
d5 <- sample(c(TRUE, FALSE), n, replace = TRUE)

df <- data.frame(id, d1, d2, d3, d4, d5)

由于在我将使用输出来获取热图ggplot2之后，我已经找到了基于函数expand.grid和使用的解决方案for，但我想知道是否有替代和更紧凑的方式来获得这样的结果。我分享我的解决方案，包括获取热图的代码（没有美学调整;-)）。

library(ggplot)    
to_plot <- expand.grid(colnames(df)[-1], colnames(df)[-1], stringsAsFactors = FALSE)
to_plot$n <- NA

aux <- 0
for(i in 1:nrow(to_plot)){
  
  aux <- aux + 1
  to_plot$n[aux] <- sum(df[to_plot$Var1[i]] & df[to_plot$Var2[i]])
  
}

ggplot(to_plot, aes(Var1, Var2)) +
  geom_tile(aes(fill = n))

谢谢！

标签： rggplot2booleanrelationship

解决方案

也许工作少一点：

library(dplyr)
library(purrr)
to_plot <- expand.grid(colnames(df)[-1], colnames(df)[-1], 
    stringsAsFactors = FALSE)
to_plot <- to_plot %>% 
  mutate(n = map2(Var1, Var2, ~sum(df[[.x]] & df[[.y]])))
编辑

针对 Ronak 的回答避免重复计算，甚至认为这种方式似乎应该总是更快，但事实并非如此。考虑以下一组基准。首先，这是我们正在执行的两个操作：

op1 <- function(){
  cols <- names(df)[-1]
  val <- combn(cols, 2, function(x) sum(rowSums(df[x]) == 2))
  mat <- matrix(nrow = length(cols), ncol = length(cols),
                dimnames = list(cols, cols))
  mat[upper.tri(mat)] <- val
  mat[lower.tri(mat)] <- val
  diag(mat) <- colSums(df[-1])
  
  out <- mat %>%
    as.data.frame() %>%
    rownames_to_column('row') %>%
    pivot_longer(cols = -row) 
}

op2 <- function(){
  to_plot <- expand.grid(colnames(df)[-1], colnames(df)[-1], 
                         stringsAsFactors = FALSE)
  to_plot <- to_plot %>% 
    mutate(n = map2(Var1, Var2, ~sum(df[[.x]] & df[[.y]])))
}

在具有 5 个变量和 100 个观察值的原始设置中，设置数据：

n <- 100
nvar <- 5
id <- 1:n

dat <- lapply(1:nvar, function(i)sample(c(TRUE, FALSE), n, replace = TRUE))
names(dat) <- paste0("d", seq_along(dat))
df <- do.call(data.frame, dat)
df <- cbind(id=id, df)

运行基准测试：

microbenchmark(op1(), op2(), times=100)
Unit: milliseconds
  expr      min       lq     mean   median       uq       max neval cld
 op1() 4.002038 4.551332 6.633587 5.499613 8.341939 12.335900   100   b
 op2() 1.200123 1.323183 2.011996 1.743236 2.305946  4.030759   100  a

当有 100 个变量，每个变量有 1000 个观测值时：

n <- 1000
nvar <- 100
id <- 1:n

dat <- lapply(1:nvar, function(i)sample(c(TRUE, FALSE), n, replace = TRUE))
names(dat) <- paste("d", seq_along(dat))
dat$id <- id
df <- do.call(data.frame, dat)

运行基准测试：

microbenchmark(op1(), op2(), times=100)
Unit: milliseconds
  expr      min       lq     mean   median       uq      max neval cld
 op1() 332.0568 352.9815 377.0784 369.1204 383.3933 768.0261   100   b
 op2() 158.8863 170.4160 185.8864 184.4045 198.0373 254.2080   100  a

在这两种情况下，执行更多计算的操作实际上要快得多。这显然不会对小数据产生明显的影响，但有趣的是看看不同的操作如何扩展。

推荐阅读