主页 / coding / 问题 / 77752326
Accepted
EmmaV97
Asked: 2024-01-03 21:47:39 +0800 CST

如何比较 R 中每行数据帧中的嵌套列表？

  • 772

我有一个数据集，其中包含两列中的值列表，并且我希望能够对每一行的列表进行相互比较。例如，我有 3 个组，其中某些数字是预期的，而其他数字是观察到的。我想将“观察到”列与“预期”列进行比较，以查看哪些数字是预期的，但未观察到。

团体 预期的 观察到的
A 4:8 c(4,5,7)
乙 7:12 c(7,8,9,10,12)
C 6:10 c(6,8,10)

我想要一个名为 Missing 的额外列，其中包含预期值但未观察到的所有值。

团体 预期的 观察到的 丢失的
A 4:8 c(4,5,7) c(6, 8)
乙 7:12 c(7,8,9,10,12) 11
C 6:11 c(6,8,11) c(7, 9, 10)

我尝试使用 setdiff() 和 base R，因为它可以找到两个列表之间的不同值。但是，我无法让它以比较每行列表的方式工作。

df$Missing <- setdiff(df$Expected, df$Observed) 

df$Missing <- df$Expected[!(df$Expected %in% df$Observed)]

这两个选项都会生成完整的预期列表。这是我得到的输出：

团体 预期的 观察到的 丢失的
A 4:8 c(4,5,7) 4:8
乙 7:12 c(7,8,9,10,12) 7:12
C 6:11 c(6,8,11) 6:11

有什么方法可以比较每组的两个列表（观察值与预期值），以便我可以看到每组缺少哪些值？预先感谢您的任何帮助！

3 个回答

  1. Best Answer

    既然你有列表，请Map使用setdiff-

    df$Missing <- Map(setdiff, df$Expected, df$Observed)
df

#  Group            Expected        Observed Missing
#1     A       4, 5, 6, 7, 8         4, 5, 7    6, 8
#2     B 7, 8, 9, 10, 11, 12 7, 8, 9, 10, 12      11
#3     C      6, 7, 8, 9, 10        6, 8, 10    7, 9

    数据

    如果您以可重现的格式提供数据，则更容易提供帮助。

    df <- structure(list(Group = c("A", "B", "C"), Expected = list(4:8, 
    7:12, 6:10), Observed = list(c(4, 5, 7), c(7, 8, 9, 10, 12
), c(6, 8, 10))), row.names = c(NA, -3L), class = "data.frame")
    • 4

  2. 使用data.table反连接：

    library(data.table)

dt[
  dt[,.(x = unlist(Expected)), Group][
    !dt[,.(x = unlist(Observed)), Group], on = .(Group, x)
  ][, .(x = .(x)), Group], on = "Group", Missing := x
][]
#>    Group          Expected       Observed  Missing
#> 1:     A         4,5,6,7,8          4,5,7      6,8
#> 2:     B  7, 8, 9,10,11,12  7, 8, 9,10,12       11
#> 3:     C  6, 7, 8, 9,10,11        6, 8,10  7, 9,11

    通过data.table分组操作：

    library(collapse) # for %!in%

dt[,Missing := .(.(Expected[[1]][Expected %!in% Observed])), Group][]
#>    Group          Expected       Observed  Missing
#> 1:     A         4,5,6,7,8          4,5,7      6,8
#> 2:     B  7, 8, 9,10,11,12  7, 8, 9,10,12       11
#> 3:     C  6, 7, 8, 9,10,11        6, 8,10  7, 9,11
dt[
  ,.(
    Expected = Expected,
    Observed = Observed,
    Missing = .(setdiff(Expected[[1]], Observed[[1]]))
  ), Group
][]
#>    Group          Expected       Observed  Missing
#> 1:     A         4,5,6,7,8          4,5,7      6,8
#> 2:     B  7, 8, 9,10,11,12  7, 8, 9,10,12       11
#> 3:     C  6, 7, 8, 9,10,11        6, 8,10  7, 9,11

    数据：

    dt <- data.table(
  Group = LETTERS[1:3],
  Expected = list(4:8, 7:12, 6:11),
  Observed = list((4:7)[-3], (7:12)[-5], c(6L, 8L, 10L))
)

    在更大的数据集上进行基准测试：

    dt <- data.table(
  Group = 1:1e4,
  Expected = lapply(sample(10, 1e4, 1), seq, 20)
)[, Observed := lapply(Expected, \(x) sample(x, sample(length(x), 1)))]

bench::mark(
  Map = {dt$Missing <- Map(setdiff, dt$Expected, dt$Observed); dt},
  setdiff = dt[,.(Expected = Expected, Observed = Observed, Missing = .(setdiff(Expected[[1]], Observed[[1]]))), Group],
  `%!in%` = dt[,Missing := .(.(Expected[[1]][Expected %!in% Observed])), Group],
  antiJoin = dt[
    dt[,.(x = unlist(Expected)), Group][
      !dt[,.(x = unlist(Observed)), Group], on = .(Group, x)
    ][, .(x = .(x)), Group], on = "Group", Missing := x
  ]
)

#> # A tibble: 4 × 6
#>   expression      min   median `itr/sec` mem_alloc `gc/sec`
#>   <bch:expr> <bch:tm> <bch:tm>     <dbl> <bch:byt>    <dbl>
#> 1 Map          82.4ms   88.9ms      9.81     1.7MB     25.5
#> 2 setdiff     106.8ms  111.7ms      8.84    1.98MB     15.9
#> 3 %!in%        30.6ms   33.7ms     28.9   149.84KB     15.4
#> 4 antiJoin     53.8ms     58ms     16.8    12.04MB     14.9

    看起来%!in%是迄今为止的赢家。

    • 3

  3. 受到@RonakShah 的启发，tidyverse方法

    df %>% 
  dplyr::mutate(Missing = purrr::map2(Expected, Observed, setdiff))

  Group            Expected        Observed Missing
1     A       4, 5, 6, 7, 8         4, 5, 7    6, 8
2     B 7, 8, 9, 10, 11, 12 7, 8, 9, 10, 12      11
3     C      6, 7, 8, 9, 10        6, 8, 10    7, 9
    • 1

相关问题