r - R:改进嵌套的ifelse语句和多种模式

我将继续使用一些动物庇护所数据进行一些数据清洁实践。我的目标是减少品种类别的数量。

我将每个品种类别都用作outgoing$Single.Breed数据框列的部分模式匹配项。因此，在某些情况下，品种将只是Chihuahua，但也可能是Long Hair Chihuahua。 (因此，我使用grepl。)因此，任何包含品种类别的内容都将在该类别的不同列中表示。此外，我还需要添加猫品种类别...以使代码更加混乱。

下面的代码是我的“解决方案”，但它很笨拙。有没有更好，更流畅和/或更有效的方法来实现这一目标？

BreedCategories <- ifelse(outgoing$New.Type == "Dog",
           ifelse(grepl("Chihuahua",outgoing$Single.Breed, ignore.case = TRUE), "Chihuahua",
           ifelse(grepl("Pit Bull",outgoing$Single.Breed, ignore.case = TRUE), "Pit Bull",
           ifelse(grepl("Terrier",outgoing$Single.Breed, ignore.case = TRUE), "Terrier",
           ifelse(grepl("Shepherd",outgoing$Single.Breed, ignore.case = TRUE), "Shepherd",
           ifelse(grepl("Poodle",outgoing$Single.Breed, ignore.case = TRUE), "Poodle",
           ifelse(grepl("Labrador|Retriever",outgoing$Single.Breed, ignore.case = TRUE),"Labrador",
           "Other")))))),"Cat")

最佳答案

创建一个在正则表达式和品种之间映射的data.frame

map <- data.frame(
    pattern=c(
        "Chihuahua", "Pit Bull", "Terrier", "Shepherd",
        "Poodle", "Labrador|Retriever", "Other"),
    isa=c(
        "Chihuahua", "Pit Bull", "Terrier", "Shepherd",
        "Poodle", "Labrador", "Other"),
    stringsAsFactors=FALSE)

和一些数据

outgoing <- data.frame(Single.Breed=c(map$isa, "Pit Bull Poodle", "Pug"),
                       stringsAsFactors=FALSE)

对于该程序，请使用vapply()和grepl()将每个模式与数据进行匹配； grepl()的使用意味着结果是一个矩阵，每行对应一个行

isa <- vapply(map$pattern, grepl, logical(nrow(outgoing)), outgoing$Single.Breed)
if (any(rowSums(isa) > 1))
    warning("ambiguous breeds: ", outgoing$Single.Breed[rowSums(isa) != 1])

使用max.col()访问每一行并检索最佳(最后)匹配项(如果没有匹配项，则恰好为“其他”)。

outgoing$BreedCategory <- map$isa[max.col(isa, "last")]

这是结果

> isa <- vapply(map$pattern, grepl, logical(nrow(outgoing)), outgoing$Single.Breed)
> if (any(rowSums(isa) > 1))
+     warning("ambiguous breeds: ", outgoing$Single.Breed[rowSums(isa) != 1])
Warning message:
ambiguous breeds: Pit Bull Poodle
> outgoing$BreedCategory <- map$isa[max.col(isa, "last")]
> outgoing
     Single.Breed BreedCategory
1       Chihuahua     Chihuahua
2        Pit Bull      Pit Bull
3         Terrier       Terrier
4        Shepherd      Shepherd
5          Poodle        Poodle
6        Labrador      Labrador
7           Other         Other
8 Pit Bull Poodle        Poodle
9             Pug         Other

我猜这种方法很吸引人，因为它可以更清楚地将“数据”(正则表达式和输入品种)与“程序”(grepl()和max.col())分开。

处理“其他”似乎有点脆弱-如果您忘记了它应该是map的最后一个元素，该怎么办？一种可能性是创建一个指标变量，以测试isa的行总和，并使用该变量有条件地分配品种

test = rowSums(isa)
outgoing$BreedCategory[test == 0] = "Other"
outgoing$BreedCategory[test == 1] = map$isa[max.col(isa)][test == 1]
outgoing$BreedCategory[test > 1] = "Mixed"

上面的方法在空间上不是很有效(矩阵将您的长度为n的数据转换为n x＃的正则表达式矩阵)，但是似乎可以完成1M输入行的工作。
dplyr::case_when()似乎要求您编写许多grepl()语句，这很容易出错。