Para cada linha em um D DataFrame R
Pergunta
Eu tenho um DataFrame e, para cada linha nesse quadro de dados, tenho que fazer algumas pesquisas complicadas e anexar alguns dados a um arquivo.
O DataFrame contém resultados científicos para poços selecionados de 96 placas de poço usadas em pesquisa biológica, então quero fazer algo como:
for (well in dataFrame) {
wellName <- well$name # string like "H1"
plateName <- well$plate # string like "plate67"
wellID <- getWellID(wellName, plateName)
cat(paste(wellID, well$value1, well$value2, sep=","), file=outputFile)
}
No meu mundo processual, eu faria algo como:
for (row in dataFrame) {
#look up stuff using data from the row
#write stuff to the file
}
Qual é a "maneira r" de fazer isso?
Solução
Você pode tentar isso, usando apply()
função
> d
name plate value1 value2
1 A P1 1 100
2 B P2 2 200
3 C P3 3 300
> f <- function(x, output) {
wellName <- x[1]
plateName <- x[2]
wellID <- 1
print(paste(wellID, x[3], x[4], sep=","))
cat(paste(wellID, x[3], x[4], sep=","), file= output, append = T, fill = T)
}
> apply(d, 1, f, output = 'outputfile')
Outras dicas
Você pode usar o by()
função:
by(dataFrame, 1:nrow(dataFrame), function(row) dostuff)
Mas iterar sobre as linhas diretamente como essa raramente é o que você deseja; Você deve tentar vetorizar. Posso perguntar o que está fazendo o trabalho real?
Primeiro, o ponto de Jonathan sobre a vetorização está correto. Se a sua função getwellId () for vetorizada, você poderá pular o loop e apenas usar o gato ou write.csv:
write.csv(data.frame(wellid=getWellID(well$name, well$plate),
value1=well$value1, value2=well$value2), file=outputFile)
Se getwellid () não for vetorizado, então a recomendação de Jonathan de usar by
ou a sugestão de Knguyen de apply
Deveria trabalhar.
Caso contrário, se você realmente quiser usar for
, você pode fazer algo assim:
for(i in 1:nrow(dataFrame)) {
row <- dataFrame[i,]
# do stuff with row
}
Você também pode tentar usar o foreach
Pacote, embora exija que você se familiarize com essa sintaxe. Aqui está um exemplo simples:
library(foreach)
d <- data.frame(x=1:10, y=rnorm(10))
s <- foreach(d=iter(d, by='row'), .combine=rbind) %dopar% d
Uma opção final é usar uma função do plyr
Pacote, nesse caso, a convenção será muito semelhante à função Aplicar.
library(plyr)
ddply(dataFrame, .(x), function(x) { # do stuff })
Eu uso esta função de utilidade simples:
rows = function(tab) lapply(
seq_len(nrow(tab)),
function(i) unclass(tab[i,,drop=F])
)
Ou uma forma mais rápida e menos clara:
rows = function(x) lapply(seq_len(nrow(x)), function(i) lapply(x,"[",i))
Esta função apenas divide um dados.Frame a uma lista de linhas. Então você pode fazer um normal "para" sobre esta lista:
tab = data.frame(x = 1:3, y=2:4, z=3:5)
for (A in rows(tab)) {
print(A$x + A$y * A$z)
}
Seu código da pergunta funcionará com uma modificação mínima:
for (well in rows(dataFrame)) {
wellName <- well$name # string like "H1"
plateName <- well$plate # string like "plate67"
wellID <- getWellID(wellName, plateName)
cat(paste(wellID, well$value1, well$value2, sep=","), file=outputFile)
}
Eu acho que a melhor maneira de fazer isso com R Basic R é:
for( i in rownames(df) )
print(df[i, "column1"])
A vantagem sobre o for( i in 1:nrow(df))
-Apraach é que você não tem problemas se df
está vazio e nrow(df)=0
.
Fiquei curioso sobre o desempenho do tempo das opções não vetorizadas. Para esse fim, usei a função f definida por Knguyen
f <- function(x, output) {
wellName <- x[1]
plateName <- x[2]
wellID <- 1
print(paste(wellID, x[3], x[4], sep=","))
cat(paste(wellID, x[3], x[4], sep=","), file= output, append = T, fill = T)
}
E um dataframe como o de seu exemplo:
n = 100; #number of rows for the data frame
d <- data.frame( name = LETTERS[ sample.int( 25, n, replace=T ) ],
plate = paste0( "P", 1:n ),
value1 = 1:n,
value2 = (1:n)*10 )
Incluí duas funções vetorizadas (com certeza mais rápidas que as outras) para comparar a abordagem CAT () com uma write.table () uma ...
library("ggplot2")
library( "microbenchmark" )
library( foreach )
library( iterators )
tm <- microbenchmark(S1 =
apply(d, 1, f, output = 'outputfile1'),
S2 =
for(i in 1:nrow(d)) {
row <- d[i,]
# do stuff with row
f(row, 'outputfile2')
},
S3 =
foreach(d1=iter(d, by='row'), .combine=rbind) %dopar% f(d1,"outputfile3"),
S4= {
print( paste(wellID=rep(1,n), d[,3], d[,4], sep=",") )
cat( paste(wellID=rep(1,n), d[,3], d[,4], sep=","), file= 'outputfile4', sep='\n',append=T, fill = F)
},
S5 = {
print( (paste(wellID=rep(1,n), d[,3], d[,4], sep=",")) )
write.table(data.frame(rep(1,n), d[,3], d[,4]), file='outputfile5', row.names=F, col.names=F, sep=",", append=T )
},
times=100L)
autoplot(tm)
A imagem resultante mostra que o aplicativo fornece o melhor desempenho para uma versão não vetorizada, enquanto o write.table () parece superar Cat ().
Você pode usar o by_row
função do pacote purrrlyr
por esta:
myfn <- function(row) {
#row is a tibble with one row, and the same
#number of columns as the original df
#If you'd rather it be a list, you can use as.list(row)
}
purrrlyr::by_row(df, myfn)
Por padrão, o valor retornado de myfn
é colocado em um novo coluna da lista no DF chamado .out
.
Se esta é a única saída que você deseja, você pode escrever purrrlyr::by_row(df, myfn)$.out
Bem, como você pediu equivalente a outros idiomas, tentei fazer isso. Parece funcionar, embora eu realmente não tenha analisado qual técnica é mais eficiente em R.
> myDf <- head(iris)
> myDf
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 5.1 3.5 1.4 0.2 setosa
2 4.9 3.0 1.4 0.2 setosa
3 4.7 3.2 1.3 0.2 setosa
4 4.6 3.1 1.5 0.2 setosa
5 5.0 3.6 1.4 0.2 setosa
6 5.4 3.9 1.7 0.4 setosa
> nRowsDf <- nrow(myDf)
> for(i in 1:nRowsDf){
+ print(myDf[i,4])
+ }
[1] 0.2
[1] 0.2
[1] 0.2
[1] 0.2
[1] 0.2
[1] 0.4
Para as colunas categóricas, ele buscaria um quadro de dados que você poderia digitar usando as.character (), se necessário.