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:
- 对于每个变量,我想计算 TRUE 的数量。
- 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!
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
- php - 如何按照用户 ID 获取 PHP 中 MySQL 列的总和?
- python - 如何使用for循环遍历列表中的这个嵌套字典
- c++ - 你如何一步一步地正确解释这段代码?(编程新手)
- java - 如何在java中输入数组列表并输出总和
- javascript - 样式化组件嵌套组件错误
- python - When using k nearest neighbors, is there a way to retrieve the "neighbors" that are used?
- docker - .Net Core 3.0 与 AWS ECS(docker run -m)
- python - 向多索引数据帧上的每个索引添加一行
- python - Pandas - 如何获得具有正值和负值的列的总和?
- python - Arcmap 脚本不会在 arcmap 控制台中打印消息