dplyr mutate con valores condicionales

En un marco de datos grande ("myfile") con cuatro columnas, tengo que agregar una quinta columna con valores condicionalmente basados ​​en las primeras cuatro columnas.

Prefiere respuestas con dplyry mutate, principalmente debido a su velocidad en grandes conjuntos de datos.

Mi marco de datos se ve así:

  V1 V2 V3 V4
1  1  2  3  5
2  2  4  4  1
3  1  4  1  1
4  4  5  1  3
5  5  5  5  4
...

Los valores de la quinta columna (V5) se basan en algunas reglas condicionales:

if (V1==1 & V2!=4) {
  V5 <- 1
} else if (V2==4 & V3!=1) {
  V5 <- 2
} else {
  V5 <- 0
}

Ahora quiero usar la mutatefunción para usar estas reglas en todas las filas (para evitar bucles lentos). Algo como esto (y sí, ¡sé que no funciona de esta manera!):

myfile <- mutate(myfile, if (V1==1 & V2!=4){V5 = 1}
    else if (V2==4 & V3!=1){V5 = 2}
    else {V5 = 0})

Este debería ser el resultado:

  V1 V2 V3 V4 V5
1  1  2  3  5  1
2  2  4  4  1  2
3  1  4  1  1  0
4  4  5  1  3  0
5  5  5  5  4  0

¿Cómo hacer esto dplyr?

Prueba esto:

myfile %>% mutate(V5 = (V1 == 1 & V2 != 4) + 2 * (V2 == 4 & V3 != 1))

dando:

  V1 V2 V3 V4 V5
1  1  2  3  5  1
2  2  4  4  1  2
3  1  4  1  1  0
4  4  5  1  3  0
5  5  5  5  4  0

o esto:

myfile %>% mutate(V5 = ifelse(V1 == 1 & V2 != 4, 1, ifelse(V2 == 4 & V3 != 1, 2, 0)))

dando:

  V1 V2 V3 V4 V5
1  1  2  3  5  1
2  2  4  4  1  2
3  1  4  1  1  0
4  4  5  1  3  0
5  5  5  5  4  0

Nota

Sugiero que obtenga un nombre mejor para su marco de datos. myfile hace que parezca que tiene un nombre de archivo.

Anteriormente utilizó esta entrada:

myfile <- 
structure(list(V1 = c(1L, 2L, 1L, 4L, 5L), V2 = c(2L, 4L, 4L, 
5L, 5L), V3 = c(3L, 4L, 1L, 1L, 5L), V4 = c(5L, 1L, 1L, 3L, 4L
)), .Names = c("V1", "V2", "V3", "V4"), class = "data.frame", row.names = c("1", 
"2", "3", "4", "5"))

Actualización 1 Desde que se publicó originalmente, dplyr ha cambiado %.%para %>%modificar la respuesta en consecuencia.

La actualización 2 dplyr ahora tiene lo case_whenque proporciona otra solución:

myfile %>% 
       mutate(V5 = case_when(V1 == 1 & V2 != 4 ~ 1, 
                             V2 == 4 & V3 != 1 ~ 2,
                             TRUE ~ 0))

Con dplyr 0.7.2, puede utilizar la case_whenfunción muy útil :

x=read.table(
 text="V1 V2 V3 V4
 1  1  2  3  5
 2  2  4  4  1
 3  1  4  1  1
 4  4  5  1  3
 5  5  5  5  4")
x$V5 = case_when(x$V1==1 & x$V2!=4 ~ 1,
                 x$V2==4 & x$V3!=1 ~ 2,
                 TRUE ~ 0)

Expresado con dplyr::mutate, da:

x = x %>% mutate(
     V5 = case_when(
         V1==1 & V2!=4 ~ 1,
         V2==4 & V3!=1 ~ 2,
         TRUE ~ 0
     )
)

Tenga en cuenta que NAno se tratan de forma especial, ya que puede ser engañoso. La función regresará NAsolo cuando no coincida ninguna condición. Si pones una línea con TRUE ~ ..., como hice en mi ejemplo, el valor de retorno nunca será NA.

Por lo tanto, debe indicar expresamente case_whenque coloque NAdonde pertenece agregando una declaración como is.na(x$V1) | is.na(x$V3) ~ NA_integer_. Sugerencia: ¡la dplyr::coalesce()función puede ser realmente útil aquí a veces!

Además, tenga en cuenta que NAsolo generalmente no funciona, usted tiene que poner especial NAlos valores: NA_integer_, NA_character_o NA_real_.

Parece que derivedFactorel mosaicpaquete fue diseñado para esto. En este ejemplo, se vería así:

library(mosaic)
myfile <- mutate(myfile, V5 = derivedFactor(
    "1" = (V1==1 & V2!=4),
    "2" = (V2==4 & V3!=1),
    .method = "first",
    .default = 0
    ))

(Si desea que el resultado sea numérico en lugar de un factor, envuelva el derivedFactorcon un as.numeric.)

Tenga en cuenta que la .defaultopción combinada con .method = "first"establece la condición "else"; este enfoque se describe en el archivo de ayuda de derivedFactor.