dplyr: Integer próbkowania ciągu mutować

Question

Próbuję wygenerować kolumny w tbl_df że jest losowa całkowitą 0 lub 1. Jest to kod używam:

library(dplyr) 
set.seed(0) 

#Dummy data.frame to test 
df <- tbl_df(data.frame(x = rep(1:3, each = 4))) 

#Generate the random integer column 
df_test = df %>% 
    mutate(pop=sample(0:1, 1, replace=TRUE)) 

Ale to nie wydaje się pracować tak, jak się spodziewałem. Generowane pole wydaje się być zerami. Czy to dlatego, że oświadczenie w numerze mutate jest oceniane równolegle, a tym samym kończy się przy użyciu tego samego materiału siewnego dla pierwszego losowego losowania?

df_test 
Source: local data frame [12 x 2] 

    x pop 
1 1 0 
2 1 0 
3 1 0 
4 1 0 
5 2 0 
6 2 0 
7 2 0 
8 2 0 
9 3 0 
10 3 0 
11 3 0 
12 3 0 

W ciągu ostatnich kilku godzin łamie mi to głowę. Masz pojęcie, co jest wadą mojego skryptu?

Answer 1

Sposób w jaki napisany jest twój kod, przypisujesz pojedynczą wartość (wynik losowego losowania) całemu wektorowi (nazywa się to "recyklingiem wektorowym").

Najlepszym rozwiązaniem w tym przypadku jest odpowiedź Steven Beaupre, tworząc z randomizowanym wektor długość data.frame:

df %>% 
    mutate(pop = sample(0:1, n(), replace = TRUE)) 

---

Generalnie, jeśli chcesz zastosować funkcję wiersz po kroku rząd w dplyr - tak jak myślałeś, że stanie się tutaj - możesz użyć rowwise(), chociaż w tym przykładzie nie jest to wymagane.

Oto przykład rowwise():

df2 <- data.frame(a = c(1,3,6), b = c(2,4,5)) 

df2 %>% 
    mutate(m = max(a,b)) 

    a b m 
1 1 2 6 
2 3 4 6 
3 6 5 6 

df2 %>% 
    rowwise() %>% 
    mutate(m = max(a,b)) 

    a b m 
1 1 2 2 
2 3 4 4 
3 6 5 6 

Ponieważ rowwise grupy danych przez każdej operacji rzędu są potencjalnie wolniej niż bez grupowania. Dlatego lepiej jest używać funkcji wektoryzacji, gdy tylko jest to możliwe, zamiast obsługiwać wiersz po rzędzie.

---

pomiaru:

Podejście z rowwise() około 30x wolniej:

library(microbenchmark) 
df <- tbl_df(data.frame(x = rep(1:1000, each = 4))) 
bench <- microbenchmark(
    vectorized = df2 <- df %>% mutate(pop = sample(0:1, n(), replace = TRUE)), 
    rowwise = df2 <- df %>% rowwise() %>% mutate(pop = sample(0:1, 1, replace = TRUE)), 
    times = 1000 
) 

options(microbenchmark.unit="relative") 
print(bench) 
autoplot(bench) 

Unit: relative 
     expr  min  lq  mean median  uq  max neval 
vectorized 1.00000 1.00000 1.00000 1.00000 1.00000 1.0000 1000 
    rowwise 42.53169 42.29486 36.94876 33.70456 34.92621 71.7682 1000