tamaño - identificador de flujo
Para cada fila en un datagrama R (8)
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?
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.
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.
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 })
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?
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
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'')
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 ().
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)
}