dplyr muda com valores condicionais

Em um grande dataframe ("myfile") com quatro colunas, tenho que adicionar uma quinta coluna com valores condicionalmente baseados nas primeiras quatro colunas.

Prefira respostas com dplyr e mutate, principalmente por causa de sua velocidade em grandes conjuntos de dados.

Meu dataframe é parecido com este:

  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
...

Os valores da quinta coluna (V5) são baseados em algumas regras condicionais:

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

Agora eu quero usar a mutatefunção para usar essas regras em todas as linhas (para evitar loops lentos). Algo assim (e sim, eu sei que não funciona assim!):

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

Este deve ser o 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

Como fazer isso dplyr?

Experimente isto:

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

ou isto:

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

Sugiro que você obtenha um nome melhor para seu quadro de dados. myfile faz parecer que contém um nome de arquivo.

Acima usou 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"))

Atualização 1 Desde que postado originalmente, o dplyr mudou %.%para, %>%então modifiquei a resposta de acordo.

A atualização 2 dplyr agora case_whenoferece outra solução:

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

Com dplyr 0.7.2, você pode usar a case_whenfunção muito 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)

Expresso com dplyr::mutate, dá:

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

Observe que NAnão são tratados de maneira especial, pois podem ser enganosos. A função retornará NAapenas quando nenhuma condição for correspondida. Se você colocar uma linha com TRUE ~ ..., como fiz no meu exemplo, o valor de retorno nunca será NA.

Portanto, você deve dizer expressivamente case_whenpara colocar NAonde pertence, adicionando uma instrução como is.na(x$V1) | is.na(x$V3) ~ NA_integer_. Dica: a dplyr::coalesce()função pode ser muito útil aqui às vezes!

Além disso, por favor, note que NApor si só, geralmente não trabalho, você tem que colocar especiais NAvalores: NA_integer_, NA_character_ou NA_real_.

Parece que derivedFactoro mosaicpacote foi projetado para isso. Neste exemplo, seria algo como:

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

(Se você quiser que o resultado seja numérico em vez de um fator, envolva o derivedFactorcom um as.numeric.)

Observe que a .defaultopção combinada com .method = "first"define a condição "else" - essa abordagem é descrita no arquivo de ajuda do derivedFactor.