Как сделать vlookup и заполнить (как в Excel) в R?
у меня есть набор данных около 105000 строк и 30 столбцов. У меня есть категориальная переменная, которую я хотел бы присвоить ей число. В Excel я бы, наверное, что-то сделал с VLOOKUP и заполнить.
как бы я сделал то же самое в R?
по сути, то, что у меня есть, это HouseType переменная, и мне нужно вычислить HouseTypeNo. Вот некоторые примеры данных:
HouseType HouseTypeNo
Semi 1
Single 2
Row 3
Single 2
Apartment 4
Apartment 4
Row 3
8 ответов:
если я правильно понимаю ваш вопрос, вот четыре метода, чтобы сделать эквивалент Excel
VLOOKUPи заполнить с помощьюR:# load sample data from Q hous <- read.table(header = TRUE, stringsAsFactors = FALSE, text="HouseType HouseTypeNo Semi 1 Single 2 Row 3 Single 2 Apartment 4 Apartment 4 Row 3") # create a toy large table with a 'HouseType' column # but no 'HouseTypeNo' column (yet) largetable <- data.frame(HouseType = as.character(sample(unique(hous$HouseType), 1000, replace = TRUE)), stringsAsFactors = FALSE) # create a lookup table to get the numbers to fill # the large table lookup <- unique(hous) HouseType HouseTypeNo 1 Semi 1 2 Single 2 3 Row 3 5 Apartment 4вот четыре метода для заполнения
HouseTypeNoнаlargetableиспользуя значения вlookupстол:сначала
mergeв базе:# 1. using base base1 <- (merge(lookup, largetable, by = 'HouseType'))второй метод с именованными векторами в базе:
# 2. using base and a named vector housenames <- as.numeric(1:length(unique(hous$HouseType))) names(housenames) <- unique(hous$HouseType) base2 <- data.frame(HouseType = largetable$HouseType, HouseTypeNo = (housenames[largetable$HouseType]))в-третьих, с помощью
plyrпакет:# 3. using the plyr package library(plyr) plyr1 <- join(largetable, lookup, by = "HouseType")четвертый, используя
sqldfпакета# 4. using the sqldf package library(sqldf) sqldf1 <- sqldf("SELECT largetable.HouseType, lookup.HouseTypeNo FROM largetable INNER JOIN lookup ON largetable.HouseType = lookup.HouseType")если это возможно, что некоторые типы домов в
largetableне существует вlookupтогда будет использоваться левое соединение:sqldf("select * from largetable left join lookup using (HouseType)")соответствующие изменения в других решениях также будут необходимы.
это то, что вы хотели сделать? Дайте мне знать, какой метод вам нравится, и я добавлю комментарий.
Я думаю, что вы также можете использовать
match():largetable$HouseTypeNo <- with(lookup, HouseTypeNo[match(largetable$HouseType, HouseType)])Это все еще работает, если я размешаю порядке
lookup.
мне также нравится использовать
qdapTools::lookupили сокращенный двоичный оператор%l%. Он работает одинаково с Excel vlookup, но он принимает аргументы имени, противоположные номерам столбцов## Replicate Ben's data: hous <- structure(list(HouseType = c("Semi", "Single", "Row", "Single", "Apartment", "Apartment", "Row"), HouseTypeNo = c(1L, 2L, 3L, 2L, 4L, 4L, 3L)), .Names = c("HouseType", "HouseTypeNo"), class = "data.frame", row.names = c(NA, -7L)) largetable <- data.frame(HouseType = as.character(sample(unique(hous$HouseType), 1000, replace = TRUE)), stringsAsFactors = FALSE) ## It's this simple: library(qdapTools) largetable[, 1] %l% hous
решение № 2 ответ @Ben не воспроизводится в других более общих примерах. Это происходит, чтобы дать правильный поиск в Примере, потому что уникальный
HouseTypeнаhousesпоявляются в возрастающем порядке. Попробуйте это:hous <- read.table(header = TRUE, stringsAsFactors = FALSE, text="HouseType HouseTypeNo Semi 1 ECIIsHome 17 Single 2 Row 3 Single 2 Apartment 4 Apartment 4 Row 3") largetable <- data.frame(HouseType = as.character(sample(unique(hous$HouseType), 1000, replace = TRUE)), stringsAsFactors = FALSE) lookup <- unique(hous)Bens решение#2 дает
housenames <- as.numeric(1:length(unique(hous$HouseType))) names(housenames) <- unique(hous$HouseType) base2 <- data.frame(HouseType = largetable$HouseType, HouseTypeNo = (housenames[largetable$HouseType]))что когда
unique(base2$HouseTypeNo[ base2$HouseType=="ECIIsHome" ]) [1] 2когда правильный ответ 17 из таблицы подстановки
правильный способ сделать это
hous <- read.table(header = TRUE, stringsAsFactors = FALSE, text="HouseType HouseTypeNo Semi 1 ECIIsHome 17 Single 2 Row 3 Single 2 Apartment 4 Apartment 4 Row 3") largetable <- data.frame(HouseType = as.character(sample(unique(hous$HouseType), 1000, replace = TRUE)), stringsAsFactors = FALSE) housenames <- tapply(hous$HouseTypeNo, hous$HouseType, unique) base2 <- data.frame(HouseType = largetable$HouseType, HouseTypeNo = (housenames[largetable$HouseType]))теперь поиски выполняются правильно
unique(base2$HouseTypeNo[ base2$HouseType=="ECIIsHome" ]) ECIIsHome 17Я попытался отредактировать ответ Bens, но он отклоняется по причинам, которые я не могу понять.
начиная с:
houses <- read.table(text="Semi 1 Single 2 Row 3 Single 2 Apartment 4 Apartment 4 Row 3",col.names=c("HouseType","HouseTypeNo"))... вы можете использовать
as.numeric(factor(houses$HouseType))... чтобы дать уникальный номер для каждого типа дома. Вы можете увидеть результат здесь:
> houses2 <- data.frame(houses,as.numeric(factor(houses$HouseType))) > houses2 HouseType HouseTypeNo as.numeric.factor.houses.HouseType.. 1 Semi 1 3 2 Single 2 4 3 Row 3 2 4 Single 2 4 5 Apartment 4 1 6 Apartment 4 1 7 Row 3 2... таким образом, вы получаете разные числа в строках (потому что факторы упорядочены в алфавитном порядке), но тот же шаблон.
(EDIT: оставшийся текст в этом ответе фактически избыточен. Мне пришло в голову проверить, и оказалось, что
read.table()уже сделал дома$HouseType в фактор, когда он был прочитан в таблицы данных, в первую очередь).тем не менее, вам вполне может быть лучше просто преобразовать Тип дома в фактор, который даст вам все те же преимущества, что и HouseTypeNo, но будет легче интерпретировать, потому что типы домов называются, а не нумеруются, например:
> houses3 <- houses > houses3$HouseType <- factor(houses3$HouseType) > houses3 HouseType HouseTypeNo 1 Semi 1 2 Single 2 3 Row 3 4 Single 2 5 Apartment 4 6 Apartment 4 7 Row 3 > levels(houses3$HouseType) [1] "Apartment" "Row" "Semi" "Single"
плакат не спрашивал о поиске значений, если
exact=FALSE, но я добавляю это в качестве ответа для моей собственной ссылки и, возможно, других.если вы ищете категориальные значения, используйте другие ответы.
Excel
vlookupтакже позволяет сопоставить совпадение приблизительно для числовых значений с 4-м аргументом (1)match=TRUE. Я думаю оmatch=TRUEкак смотреть вверх значения на термометре. Значение по умолчанию-FALSE, что идеально подходит для категориальных ценности.если вы хотите приблизительно соответствовать (выполнить поиск), R имеет функцию с именем
findInterval, который (как следует из названия) найдет интервал / бин, содержащий ваше непрерывное числовое значение.однако, допустим, что вы хотите
findIntervalдля нескольких значений. Вы можете написать цикл или использовать функцию apply. Тем не менее, я нашел более эффективным использовать векторизованный подход DIY.предположим, что у вас есть сетка значений, индексированных x и y:
grid <- list(x = c(-87.727, -87.723, -87.719, -87.715, -87.711), y = c(41.836, 41.839, 41.843, 41.847, 41.851), z = (matrix(data = c(-3.428, -3.722, -3.061, -2.554, -2.362, -3.034, -3.925, -3.639, -3.357, -3.283, -0.152, -1.688, -2.765, -3.084, -2.742, 1.973, 1.193, -0.354, -1.682, -1.803, 0.998, 2.863, 3.224, 1.541, -0.044), nrow = 5, ncol = 5)))и у вас есть некоторые значения, которые вы хотите посмотреть на x и y:
df <- data.frame(x = c(-87.723, -87.712, -87.726, -87.719, -87.722, -87.722), y = c(41.84, 41.842, 41.844, 41.849, 41.838, 41.842), id = c("a", "b", "c", "d", "e", "f")вот визуализированный пример:
contour(grid) points(df$x, df$y, pch=df$id, col="blue", cex=1.2)
вы можете найти X интервалы и y интервалы с этим типом формулы:
xrng <- range(grid$x) xbins <- length(grid$x) -1 yrng <- range(grid$y) ybins <- length(grid$y) -1 df$ix <- trunc( (df$x - min(xrng)) / diff(xrng) * (xbins)) + 1 df$iy <- trunc( (df$y - min(yrng)) / diff(yrng) * (ybins)) + 1вы можете сделать еще один шаг и выполнить (упрощенную) интерполяцию по значениям z в
gridтакой:df$z <- with(df, (grid$z[cbind(ix, iy)] + grid$z[cbind(ix + 1, iy)] + grid$z[cbind(ix, iy + 1)] + grid$z[cbind(ix + 1, iy + 1)]) / 4)что дает вам эти значения:
contour(grid, xlim = range(c(grid$x, df$x)), ylim = range(c(grid$y, df$y))) points(df$x, df$y, pch=df$id, col="blue", cex=1.2) text(df$x + .001, df$y, lab=round(df$z, 2), col="blue", cex=1)
df # x y id ix iy z # 1 -87.723 41.840 a 2 2 -3.00425 # 2 -87.712 41.842 b 4 2 -3.11650 # 3 -87.726 41.844 c 1 3 0.33150 # 4 -87.719 41.849 d 3 4 0.68225 # 6 -87.722 41.838 e 2 1 -3.58675 # 7 -87.722 41.842 f 2 2 -3.00425обратите внимание, что ix и iy также могли быть найдены с помощью цикла
findInterval, например, вот один пример для второй строкиfindInterval(df$x[2], grid$x) # 4 findInterval(df$y[2], grid$y) # 2что соответствует
ixиiyнаdf[2]сноску: (1) четвертый аргумент vlookup ранее назывался "match", но после того, как они ввели ленту, она была переименована в "[range_lookup]".
вы могли бы использовать
mapvalues()из пакета plyr.исходные данные:
dat <- data.frame(HouseType = c("Semi", "Single", "Row", "Single", "Apartment", "Apartment", "Row")) > dat HouseType 1 Semi 2 Single 3 Row 4 Single 5 Apartment 6 Apartment 7 Rowтаблица поиска / пешеходного перехода:
lookup <- data.frame(type_text = c("Semi", "Single", "Row", "Apartment"), type_num = c(1, 2, 3, 4)) > lookup type_text type_num 1 Semi 1 2 Single 2 3 Row 3 4 Apartment 4создать новую переменную:
dat$house_type_num <- plyr::mapvalues(dat$HouseType, from = lookup$type_text, to = lookup$type_num)или для простых замен вы можете пропустить создание длинной таблицы поиска и сделать это непосредственно в один шаг:
dat$house_type_num <- plyr::mapvalues(dat$HouseType, from = c("Semi", "Single", "Row", "Apartment"), to = c(1, 2, 3, 4))результат:
> dat HouseType house_type_num 1 Semi 1 2 Single 2 3 Row 3 4 Single 2 5 Apartment 4 6 Apartment 4 7 Row 3
используя
mergeотличается от поиска в Excel, поскольку он может дублировать (умножать) ваши данные, если ограничение первичного ключа не применяется в таблице поиска или уменьшить количество записей, Если вы не используетеall.x = T.чтобы убедиться, что вы не попали в беду с этим и поиск безопасно, я предлагаю две стратегии.
во-первых, нужно проверить количество дублированных строк в ключе поиска:
safeLookup <- function(data, lookup, by, select = setdiff(colnames(lookup), by)) { # Merges data to lookup making sure that the number of rows does not change. stopifnot(sum(duplicated(lookup[, by])) == 0) res <- merge(data, lookup[, c(by, select)], by = by, all.x = T) return (res) }это заставит вас де-Боян поиск набора данных перед его использованием:
baseSafe <- safeLookup(largetable, house.ids, by = "HouseType") # Error: sum(duplicated(lookup[, by])) == 0 is not TRUE baseSafe<- safeLookup(largetable, unique(house.ids), by = "HouseType") head(baseSafe) # HouseType HouseTypeNo # 1 Apartment 4 # 2 Apartment 4 # ...второй вариант-воспроизвести поведение Excel, взяв первое совпадающее значение из набора данных поиска:
firstLookup <- function(data, lookup, by, select = setdiff(colnames(lookup), by)) { # Merges data to lookup using first row per unique combination in by. unique.lookup <- lookup[!duplicated(lookup[, by]), ] res <- merge(data, unique.lookup[, c(by, select)], by = by, all.x = T) return (res) } baseFirst <- firstLookup(largetable, house.ids, by = "HouseType")эти функции немного отличаются от
lookupкак добавить несколько столбцов.