dplyr mutieren rowwise max Reichweite von Spalten

Mit rlang und quasiquotation haben wir ein anderes dplyr-option. Zunächst Holen Sie sich die Reihe der Namen, die wir wollen, um zu berechnen, parallel max:

iris_cols <- iris %>% select(Sepal.Length:Petal.Width) %>% names()

Dann können wir !!! und rlang::syms zu berechnen, die parallel max für jede Zeile dieser Spalten:

iris %>%
  mutate(mak=pmax(!!!rlang::syms(iris_cols)))

• rlang::syms nimmt ein string-input (den Spaltennamen), und verwandelt es in ein symbol
• !!! unquotes und Spleiße das argument, hier den Spaltennamen

Gibt:

    Sepal.Length Sepal.Width Petal.Length Petal.Width    Species mak
1            5.1         3.5          1.4         0.2     setosa 5.1
2            4.9         3.0          1.4         0.2     setosa 4.9
3            4.7         3.2          1.3         0.2     setosa 4.7
4            4.6         3.1          1.5         0.2     setosa 4.6
5            5.0         3.6          1.4         0.2     setosa 5.0

h/t: https://stackoverflow.com/a/47773379/1036500

Scheint es, wie @akrun Antwort behandelt nur die Fälle, wenn Sie können, geben Sie die Namen aller Variablen, ob das mit mutate direkt mit mutate(pmax_value=pmax(var1, var2)) oder bei der Verwendung von lazy evaluation mit mutate_ und interp über mutate_(interp(~pmax(v1, v2), v1=as.name(var1), v2=as.name(var2)).

Ich sehe zwei Möglichkeiten, dies zu tun, wenn Sie wollen, verwenden Sie die Doppelpunkt-syntax Sepal.Length:Petal.Width oder wenn Sie zufällig ein Vektor mit den Namen der Spalten.

Die erste ist mehr elegant. Sie sauber die Daten und nehmen das maximum unter den Werten, wenn gruppiert:

data(iris)
library(dplyr)
library(tidyr)

iris_id = iris %>% mutate(id=1:nrow(.))
iris_id %>%
  gather('attribute', 'value', Sepal.Length:Petal.Width) %>%
  group_by(id) %>%
  summarize(max_attribute=max(value)) %>%
  right_join(iris_id, by='id') %>%
  head(3)
## # A tibble: 3 × 7
##      id max_attribute Sepal.Length Sepal.Width Petal.Length Petal.Width Species
##   <int>         <dbl>        <dbl>       <dbl>        <dbl>       <dbl>  <fctr>
## 1     1           5.1          5.1         3.5          1.4         0.2  setosa
## 2     2           4.9          4.9         3.0          1.4         0.2  setosa
## 3     3           4.7          4.7         3.2          1.3         0.2  setosa

Den härteren Weg ist die Verwendung einer interpolierten Formel. Das ist gut, wenn man einen character-Vektor mit den Namen der Variablen max wird über oder wenn Sie die Tabelle ist zu groß/breit für es zu sein aufgeräumt.

# Make a character vector of the names of the columns we want to take the
# maximum over
target_columns = iris %>% select(-Species) %>% names
## [1] "Sepal.Length" "Sepal.Width"  "Petal.Length" "Petal.Width"

# Make a vector of dummy variables that will take the place of the real
# column names inside the interpolated formula
dummy_vars = sapply(1:length(target_columns), function(i) sprintf('x%i', i))
## [1] "x1" "x2" "x3" "x4"

# Paste those variables together to make the argument of the pmax in the
# interpolated formula
dummy_vars_string = paste0(dummy_vars, collapse=',')
## [1] "x1,x2,x3,x4"

# Make a named list that maps the dummy variable names (e.g., x1) to the
# real variable names (e.g., Sepal.Length)
dummy_vars_list = lapply(target_columns, as.name) %>% setNames(dummy_vars)
## $x1
## Sepal.Length
##
## $x2
## Sepal.Width
## 
## $x3
## Petal.Length
##
## $x4
## Petal.Width

# Make a pmax formula using the dummy variables
max_formula = as.formula(paste0(c('~pmax(', dummy_vars_string, ')'), collapse=''))
## ~pmax(x1, x2, x3, x4)

# Interpolate the formula using the named variables
library(lazyeval)
iris %>%
  mutate_(max_attribute=interp(max_formula, .values=dummy_vars_list)) %>%
  head(3)
##   Sepal.Length Sepal.Width Petal.Length Petal.Width Species max_attribute
## 1          5.1         3.5          1.4         0.2  setosa           5.1
## 2          4.9         3.0          1.4         0.2  setosa           4.9
## 3          4.7         3.2          1.3         0.2  setosa           4.7