WedX - журнал о программировании и компьютерных науках

Выполнить ifelse() для каждого элемента фрейма данных, но разные тесты для каждого столбца в R

У меня есть большой фрейм данных [4000 600], и я хотел бы преобразовать элементы в 0, если они меньше, чем на три порядка меньше максимума каждого столбца. Таким образом, каждый элемент необходимо сравнить с максимальным значением своего столбца, и если элемент ‹ 0,001 * $column_max, то он должен быть преобразован в 0, а если это не так, он должен остаться прежним.

Мне трудно получить apply(), чтобы позволить мне использовать функцию ifelse(). Есть ли лучший подход или функция, которую мне не хватает?? Я довольно новичок в R.

24.02.2016

  • Я бы предложил опубликовать фрагмент вашего кода, если вы хотите получить хороший ответ. 24.02.2016

Ответы:


1

Используйте lapply для перебора каждого столбца с вызовом replace:

dat <- data.frame(a=c(1,2,1001),b=c(3,4,3003))
dat
#     a    b
#1    1    3
#2    2    4
#3 1001 3003

dat[] <- lapply(dat, function(x) replace(x, x < max(x)/10^3, 0) )
dat
#     a    b
#1    0    0
#2    2    4
#3 1001 3003
24.02.2016

2

Это должно работать с ifelse, если вы используете применение по столбцам:

df <- data.frame(a = c(1:10, 4000), b = c(4:13, 7000))

apply(df, 2, function(x){ifelse(x < 0.001*max(x), 0, x)})
24.02.2016

3

Мы могли бы сделать это без использования ifelse

library(dplyr)
dat %>% 
    mutate_each(funs((.>= 0.001*max(.))*.))
#     a    b
#1    0    0
#2    2    4
#3 1001 3003

данные

dat <- data.frame(a=c(1,2,1001),b=c(3,4,3003))
24.02.2016
Новые материалы

Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..

Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..

Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..

Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..

Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm. Оглавление Глоссарий I. Новый пакет 1.1 советы по инициализации..

Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных. Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..

ИИ в аэрокосмической отрасли
Каждый полет – это шаг вперед к великой мечте. Чтобы это происходило в их собственном темпе, необходима команда астронавтов для погони за космосом и команда технического обслуживания..


Для любых предложений по сайту: [email protected]