1

Tengo el siguiente data frame:

set.seed(2023)
df<-data.frame(id=1:20,
               x1=sample(c(1:5,NA),20,T),
               x2=sample(c(1:5,NA),20,T),
               y1=sample(c(1:5,NA),20,T),
               y2=sample(c(1:5,NA),20,T),
               p1=sample(c(1:5,NA),20,T),
               p2=sample(c(1:5,NA),20,T),
               t1=sample(c(1:5,NA),20,T),
               t2=sample(c(1:5,NA),20,T),
               w1=sample(c(1:5,NA),20,T),
               w2=sample(c(1:5,NA),20,T),
               z1=sample(c(1:5,NA),20,T),
               z2=sample(c(1:5,NA),20,T))
df
   id x1 x2 y1 y2 p1 p2 t1 t2 w1 w2 z1 z2
1   1  5 NA  3  4  2  3  1  3  3 NA  2 NA
2   2  1  2  4  3  5  2  5  1  5  5  5  4
3   3  3 NA NA  1  5  3  4  4  1  5  1 NA
4   4  2 NA  1  1  3  3  4  5  4  3  1  2
5   5  4  5  5  3  3  4 NA  1  5  1  5  1
6   6  2  1 NA NA  3  1  1  4  3  1  2  4
7   7  1  2  2  3  1  5  2 NA  1  3  3  4
8   8  1 NA  4  4 NA  1 NA  5  2  5  5  2
9   9  5 NA  4 NA  2  5  2  2  2  1  3 NA

Deseo calcular el máximo por cada par de columnas, el máximo de la columna x1 y x2, el máximo de y1 y y2, y así hasta el z1 y z2.

Lo he hecho con un for de la siguiente manera:

nombres<-names(df)[2:13]

for (i in seq(1,length(nombres),2)) {
  df[,paste0(nombres[i],"_f")]<-apply(df[,c(nombres[i],nombres[i+1])], 1, function(x){
    max(x, na.rm = T)
  })
}

El resultado es el esperado:

df
   id x1 x2 y1 y2 p1 p2 t1 t2 w1 w2 z1 z2 x1_f y1_f p1_f t1_f w1_f z1_f
1   1  5 NA  3  4  2  3  1  3  3 NA  2 NA    5    4    3    3    3    2
2   2  1  2  4  3  5  2  5  1  5  5  5  4    2    4    5    5    5    5
3   3  3 NA NA  1  5  3  4  4  1  5  1 NA    3    1    5    4    5    1
4   4  2 NA  1  1  3  3  4  5  4  3  1  2    2    1    3    5    4    2
5   5  4  5  5  3  3  4 NA  1  5  1  5  1    5    5    4    1    5    5
6   6  2  1 NA NA  3  1  1  4  3  1  2  4    2 -Inf    3    4    3    4
7   7  1  2  2  3  1  5  2 NA  1  3  3  4    2    3    5    2    3    4
8   8  1 NA  4  4 NA  1 NA  5  2  5  5  2    1    4    1    5    5    5
9   9  5 NA  4 NA  2  5  2  2  2  1  3 NA    5    4    5    2    2    3

Pero me parece una sintaxis muy larga y engorrosa.

Mi duda se genera, entonces, como puedo realizar el mismo cálculo pero en dplyr. No se me ocurre como se podría hacer. ¿Hay alguna forma? O en todo caso, ¿podría hacer más eficiente (en tiempo de ejecución) el código en R base?

1 respuesta 1

1

Por el lado dplyr te puedo sugerir algo como esto:

library(tidyverse)

df %>% 
  pivot_longer(-id) %>% 
  separate(name, sep=1, into=c("var", "num")) %>% 
  group_by(id, var) %>% 
  summarise(max=max(value, na.rm = TRUE), .groups="drop") %>% 
  pivot_wider(id_cols = id, names_from = var, values_from=max) %>% 
  select(id, x, y, p, t, w, z)

# A tibble: 20 x 7
      id     x     y     p     t     w     z
   <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
 1     1     5     4     3     3     3     2
 2     2     2     4     5     5     5     5
 3     3     3     1     5     4     5     1
 4     4     2     1     3     5     4     2
 5     5     5     5     4     1     5     5
 6     6     2  -Inf     3     4     3     4
 7     7     2     3     5     2     3     4
 8     8     1     4     1     5     5     5
 9     9     5     4     5     2     2     3
10    10     1     2     4     5     4     3
11    11     5     5     1     5     4     4
12    12     5     2     4     5     5  -Inf
13    13     5     3     5     5     4     5
14    14     2     5     4     4     4     4
15    15     3     4     4     3     3     2
16    16     5     4     2     5     4     4
17    17     4     5     2     5     4     2
18    18     5     2     1     5     3     5
19    19     2     4     4     2     5     5
20    20     2     4     4     2     5     2

Comentarios:

  • Básicamente lo que se hace es expandir cada celda en una nueva fila
  • Por la letra del nombre de columna y el id agrupamos y obtenemos el máximo
  • Luego simplemente hay que transformar en un formato ancho y ordenar las columnas
  • Dudo que se más performante que tu solución con R base
1
  • Muchas gracias Patricio. Comprobaré cuál de las dos es de ejecución más rápida. Commented el 23 mar. 2023 a las 23:15

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.