将函数应用于数据框中的每一列，观察每列现有的数据类型

Question

我正在尝试获取大型数据框中每列的最小值/最大值，作为了解我的数据的一部分。我的第一次尝试是：

apply(t,2,max,na.rm=1)

它将所有内容视为字符向量，因为前几列是字符类型。因此，某些数字列的最大值显示为 " -99.5"。

然后我尝试了这个：

sapply(t,max,na.rm=1)

但它抱怨 max 对因子没有意义。 （lapply 是一样的。）令我困惑的是，apply 认为 max 对于因子来说是完全有意义的，例如它返回“ZEBRA”第 1 栏

。顺便说一句，我查看了 在向量上使用 sapply POSIXct ，答案之一是“当您使用 sapply 时，您的对象被强制为数字，...”。这就是我身上发生的事情吗？如果是这样，是否有一个不强制的替代应用函数？当然，这是一种常见的需求，因为数据框类型的关键特征之一是每列可以是不同的类型。

Answer 1

如果它是一个“有序因素”，事情就会有所不同。这并不是说我喜欢“有序因素”，我不喜欢，只是说有些关系是为“有序因素”定义的，而不是为“因素”定义的。因素被认为是普通的分类变量。您将看到因素的自然排序顺序，即您所在区域的字母词汇顺序。如果您想为每一列自动强制转换为“数字”，...日期和因素等等，请尝试：

sapply(df, function(x) max(as.numeric(x)) )   # not generally a useful result

或者如果您想首先测试因素并按预期返回，那么：

sapply( df, function(x) if("factor" %in% class(x) ) { 
            max(as.numeric(as.character(x)))
            } else { max(x) } )

@Darrens 评论确实效果更好：

 sapply(df, function(x) max(as.character(x)) )  

max 在字符向量方面确实成功。

Answer 2

max 与 apply 一起使用的原因是 apply 首先将数据帧强制转换为矩阵，而矩阵只能保存一种数据类型。所以你最终得到一个字符矩阵。 sapply 只是 lapply 的包装器，因此两者产生相同的错误也就不足为奇了。

创建数据框时的默认行为是将分类列存储为因子。除非您指定它是一个有序因子，否则像 max 和 min 这样的操作将是未定义的，因为 R 假设您已经创建了一个无序因子。

您可以通过指定 options(stringsAsFactors = FALSE) 来更改此行为，这将更改整个会话的默认值，或者您可以在 中传递 stringsAsFactors = FALSE data.frame() 构造调用本身。请注意，这仅意味着 min 和 max 将默认采用“字母顺序”排序。

或者您可以手动指定每个因素的顺序，尽管我怀疑这就是您想要做的。

无论如何，sapply 通常会产生一个原子向量，在许多情况下这需要将所有内容转换为字符。解决这个问题的一种方法如下：

#Some test data
d <- data.frame(v1 = runif(10), v2 = letters[1:10], 
                v3 = rnorm(10), v4 = LETTERS[1:10],stringsAsFactors = TRUE)

d[4,] <- NA

#Similar function to DWin's answer          
fun <- function(x){
    if(is.numeric(x)){max(x,na.rm = 1)}
    else{max(as.character(x),na.rm=1)}
}   

#Use colwise from plyr package
colwise(fun)(d)
         v1 v2       v3 v4
1 0.8478983  j 1.999435  J

Answer 3

如果您想了解数据，summary (df) 提供数值列的最小值、第一分位数、中位数和平均值、第三分位数和最大值以及因子列顶级的频率。

Answer 4

最好的方法是避免基本的 *apply 函数，它将整个数据帧强制为数组，可能会丢失信息。

如果您想应用函数as.numeric 到每一列，一个简单的方法是使用 mutate_all< /代码>来自dplyr：

t %>% mutate_all(as.numeric)

或者使用 colwise 的 code>，它将“将一个对向量进行操作的函数转换为对 data.frame 进行按列操作的函数”。

t %>% (colwise(as.numeric))

在读取字符向量数据表并将列强制转换为正确数据类型的特殊情况下，请使用 readr 中的 type.convert 或 type_convert。

---

不太有趣的答案：我们可以使用 for 循环应用于每一列：

for (i in 1:nrow(t)) { t[, i] <- parse_guess(t[, i]) }

我不知道 用 * 进行赋值的好方法在保留数据帧结构的同时应用。

Answer 5

基于@ltamar 的答案：

使用摘要并将输出变成有用的东西！

library(tidyr)
library(dplyr)

df %>% 
  summary %>% 
  data.frame %>%
  select(-Var1) %>%
  separate(data=.,col=Freq,into = c('metric','value'),sep = ':') %>%
  rename(column_name=Var2) %>%
  mutate(value=as.numeric(value),
         metric = trimws(metric,'both') 
  ) %>%  
  filter(!is.na(value)) -> metrics

它不漂亮，当然也不快，但它可以完成工作！

Answer 6

如今，循环速度同样快，因此这已经足够了：

for (I in 1L:length(c(1,2,3))) {
    data.frame(c("1","2","3"),c("1","3","3"))[,I] <- 
    max(as.numeric(data.frame(c("1","2","3"),c("1","3","3"))[,I]))
}

Answer 7

使用 hablar 的 retype() 的解决方案根据可行性将因子强制为字符或数字类型。我将使用 dplyr 将 max 应用于每列。

代码

library(dplyr)
library(hablar)

# Retype() simplifies each columns type, e.g. always removes factors
d <- d %>% retype()

# Check max for each column
d %>% summarise_all(max)

结果

不是新的列类型。

     v1 v2       v3 v4   
  <dbl> <chr> <dbl> <chr>
1 0.974 j      1.09 J   

数据

# Sample data borrowed from @joran
d <- data.frame(v1 = runif(10), v2 = letters[1:10], 
                v3 = rnorm(10), v4 = LETTERS[1:10],stringsAsFactors = TRUE)

Answer 8

df <- head(mtcars)
df$string <- c("a","b", "c", "d","e", "f"); df

my.min <- unlist(lapply(df, min))
my.max <- unlist(lapply(df, max))