tamaño - identificador de flujo

Para cada fila en un datagrama R

Question

Tengo un marco de datos, y para cada fila en ese marco de datos tengo que hacer algunas búsquedas complicadas y anexar algunos datos a un archivo.

El marco de datos contiene resultados científicos para pozos seleccionados de placas de 96 pozos utilizados en investigación biológica, así que quiero hacer 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)
}

En mi mundo de procedimientos, haría algo como:

for (row in dataFrame) {
    #look up stuff using data from the row
    #write stuff to the file
}

¿Cuál es la "forma R" de hacer esto?

Answer 1

Bueno, como pediste R equivalente a otros idiomas, intenté hacer esto. Parece que funciona aunque realmente no he visto qué técnica es más eficiente en 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

Sin embargo, para las columnas categóricas, obtendría un Marco de datos que podría encasillar utilizando as.character () si fuera necesario.

Answer 2

Creo que la mejor manera de hacer esto con R básica es:

for( i in rownames(df) )
   print(df[i, "column1"])

La ventaja con respecto al enfoque for (i en 1: nrow (df)) es que no tiene problemas si df está vacío y nrow (df) = 0.

Answer 3

Primero, el punto de Jonathan sobre la vectorización es correcto. Si su función getWellID () está vectorizada, entonces puede omitir el ciclo y simplemente usar cat o write.csv:

write.csv(data.frame(wellid=getWellID(well$name, well$plate), 
         value1=well$value1, value2=well$value2), file=outputFile)

Si getWellID () no está vectorizado, entonces la recomendación de Jonathan de usar by o la sugerencia de apply de knguyen debería funcionar.

De lo contrario, si realmente quieres usar, puedes hacer algo como esto:

for(i in 1:nrow(dataFrame)) {
    row <- dataFrame[i,]
    # do stuff with row
}

También puede intentar usar el paquete foreach , aunque requiere que se familiarice con esa sintaxis. Aquí hay un ejemplo simple:

library(foreach)
d <- data.frame(x=1:10, y=rnorm(10))
s <- foreach(d=iter(d, by=''row''), .combine=rbind) %dopar% d

Una última opción es usar una función del paquete plyr , en cuyo caso la convención será muy similar a la función apply.

library(plyr)
ddply(dataFrame, .(x), function(x) { # do stuff })

Answer 4

Puede usar la función by() :

by(dataFrame, 1:nrow(dataFrame), function(row) dostuff)

Pero iterar sobre las filas directamente como este rara vez es lo que desea; deberías tratar de vectorizar en su lugar. ¿Puedo preguntar qué está haciendo el trabajo real en el ciclo?

Answer 5

Puede usar la función by_row del by_row del paquete para esto:

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)

De forma predeterminada, el valor devuelto de myfn se coloca en una nueva columna de lista en el df llamado .out .

Si este es el único resultado que desea, puede escribir purrrlyr::by_row(df, myfn)$.out

Answer 6

Puedes probar esto, usando la función apply()

> 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'')

Answer 7

Tenía curiosidad sobre el rendimiento en el tiempo de las opciones no vectorizadas. Para este propósito, he usado la función 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)
}

y un marco de datos como el de su ejemplo:

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 dos funciones vectorizadas (seguramente más rápidas que las otras) para comparar el enfoque cat () con un write.table () uno ...

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)

La imagen resultante muestra que aplicar da el mejor rendimiento para una versión no vectorizada, mientras que write.table () parece superar a cat ().

Answer 8

Yo uso esta sencilla función de utilidad:

rows = function(tab) lapply(
  seq_len(nrow(tab)),
  function(i) unclass(tab[i,,drop=F])
)

O una forma más rápida, menos clara:

rows = function(x) lapply(seq_len(nrow(x)), function(i) lapply(x,"[",i))

Esta función simplemente divide un data.frame en una lista de filas. Entonces puedes hacer un "para" normal 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)
}        

Su código de la pregunta funcionará con una modificación 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)
}