R 检查数据帧中的所有值是否满足条件（条件为矢量）

我有一个数据框，如下所示：

muestra[1:10,2:5]
##       X0 X1 X2 X3
## 21129  0  0  0  0
## 34632  0  0  0  0
## 30612  0  0  0  0
## 10687  0  0  1  2
## 44815  0  0  0  1
## 40552  0  0  0  1
## 15311  0  0  0  0
## 33960  0  0  0  0
## 24073  0  0  0  0
## 13077  0  0  0  0

我正在比较特定向量值的行：

muestra[1:10,2:5] == c(0,0,0,0)
##         X0   X1    X2    X3
## 21129 TRUE TRUE  TRUE  TRUE
## 34632 TRUE TRUE  TRUE  TRUE
## 30612 TRUE TRUE  TRUE  TRUE
## 10687 TRUE TRUE FALSE FALSE
## 44815 TRUE TRUE  TRUE FALSE
## 40552 TRUE TRUE  TRUE FALSE
## 15311 TRUE TRUE  TRUE  TRUE
## 33960 TRUE TRUE  TRUE  TRUE
## 24073 TRUE TRUE  TRUE  TRUE
## 13077 TRUE TRUE  TRUE  TRUE

Comparison向量的值可能会更改；i、 e.它可以是

c（0,0,1,0）

，

c（1,2,1,2）

，等等

我想检查整行是否符合条件；是否有一个函数返回如下内容：

some_function(muestra[1:10,2:5], c(0,0,0,0))
##        some_function(muestra[1:10,2:5], c(0,0,0,0))
## 21129                                       TRUE
## 34632                                       TRUE
## 30612                                       TRUE
## 10687                                      FALSE
## 44815                                      FALSE
## 40552                                      FALSE
## 15311                                       TRUE
## 33960                                       TRUE
## 24073                                       TRUE
## 13077                                       TRUE

---

您正在查找

all（）

。对每行应用

all（）

---

让我们考虑一个更一般的目标向量，比如<代码> y> p>你正在寻找<代码>（）/<代码>。对每行应用

all（）

---

让我们考虑一个更一般的目标向量，比如<代码> y> p>原谅我不喜欢行操作。我会将

col

与

rowSums

组合

rowSums(df == c(0,0,0,0)[col(df)]) == ncol(df)
# 21129 34632 30612 10687 44815 40552 15311 33960 24073 13077 
#  TRUE  TRUE  TRUE FALSE FALSE FALSE  TRUE  TRUE  TRUE  TRUE 

---

一些基准

set.seed(123)
df <- as.data.frame(matrix(sample(1e7), ncol = 10)) 
vec <- sample(10)

library(microbenchmark)
microbenchmark("ZL: " = apply(df== vec, 1, all),
               "DA: " = rowSums(df == vec[col(df)]) == ncol(df))

# Unit: milliseconds
# expr      min        lq      mean    median        uq      max neval cld
# ZL:  2262.580 2386.5286 2421.7244 2420.6767 2454.1483 2592.888   100   b
# DA:   786.121  807.1531  836.7408  827.1577  849.9955 1038.139   100  a 

set.seed（123）
对不起，我不喜欢按行操作。我会将
col
与
rowSums
组合

rowSums(df == c(0,0,0,0)[col(df)]) == ncol(df)
# 21129 34632 30612 10687 44815 40552 15311 33960 24073 13077 
#  TRUE  TRUE  TRUE FALSE FALSE FALSE  TRUE  TRUE  TRUE  TRUE 


一些基准

set.seed(123)
df <- as.data.frame(matrix(sample(1e7), ncol = 10)) 
vec <- sample(10)

library(microbenchmark)
microbenchmark("ZL: " = apply(df== vec, 1, all),
               "DA: " = rowSums(df == vec[col(df)]) == ncol(df))

# Unit: milliseconds
# expr      min        lq      mean    median        uq      max neval cld
# ZL:  2262.580 2386.5286 2421.7244 2420.6767 2454.1483 2592.888   100   b
# DA:   786.121  807.1531  836.7408  827.1577  849.9955 1038.139   100  a 

set.seed（123）
df只是一个注释，在当前的“data.frame”情况下，
Reduce（&），Map（==”，df，vec））==ncol（df）
避免了
Ops.data.frame
和创建第二个
dim（df）
对象（
vec[col（df）]
）。也许，也值得一提的是，
compiler:：cmpfun
一个简单的
for（i in seq_沿着（df））ans=ans&（df[[i]==vec[[i]]]
只是一个注释，在当前的“data.frame”情况下，
Reduce（&），Map（==”，df，vec））==ncol（df）
避免了
Ops.data.frame
和创建第二个
dim（df）
对象（
vec[col（df）]
）。可能也值得一提的是，
compiler:：cmpfun
一个简单的
for（i-in-seq_-on（df））ans=ans&（df[[i]==vec[[i]]）
@Barranka，也应该是
apply（muestra，function（x）all（x==c（0，0，0，0），all）
apply（muestra==c（0，0，0，0，0），1，all）
将
==
比较下每一列，而不是下每一行。例如，使用
dat=data.frame（x=c（1，1），y=c（2，2））
，
dat==1:2
VS
t（应用（dat，1，“==”，1:2））
@Barranka，也：它不应该应用（muesta，函数（x）all（x==c（0，0，0））

（0，0，0，0，0），1，all）使

==

向下比较每一列而不是每一行。例如，使用

dat=data.frame（x=c（1，1），y=c（2，2））

，

dat==1:2

与

t（应用（dat，1，==”，1:2））

set.seed(123)
df <- as.data.frame(matrix(sample(1e7), ncol = 10)) 
vec <- sample(10)

library(microbenchmark)
microbenchmark("ZL: " = apply(df== vec, 1, all),
               "DA: " = rowSums(df == vec[col(df)]) == ncol(df))

# Unit: milliseconds
# expr      min        lq      mean    median        uq      max neval cld
# ZL:  2262.580 2386.5286 2421.7244 2420.6767 2454.1483 2592.888   100   b
# DA:   786.121  807.1531  836.7408  827.1577  849.9955 1038.139   100  a