map（）とmutate（）を使用して複数の変数とパラメータをループする

Question

新しい変数を生成するためにtbl内の複数のパラメータと変数を効率的にマップする方法がわかりません。

"本物の"バージョンでは、基本的に中央の推定値を生成する1つの数学関数があり、さまざまなパラメータを変更して一連の感度テストを実行する必要があります。私は、どのようにこれを整頓の中で行うかを考えようとしています。これはmap（）とmutate（）の答えですが、問題があります。

# building the practice dataset 
    pracdf <- tibble(ID = letters, 
      p = runif(26, 100, 1000), 
      med.a = runif(26), 
      med.b = runif(26), 
      c = runif(26)) 

    pracdf <- pracdf %>% 
     mutate(low.a = med.a * 0.8, 
      low.b = med.b * 0.8, 
      high.a = med.a * 1.2, 
      high.b = med.b * 1.2) 
    # this generates a few low/med/high values for variables 


    # the function 
    pracdf <- pracdf %>% mutate(d = p * med.a * med.b * c) 
    # works as expected. Now can I loop it with dynamic variable names? 


    f1 <- function(df, var.a) { 
     var.a <- enquo(var.a) 
     print(var.a) 
     d.name <- paste0("d.", quo_name(var.a)) 
     print(d.name) 

     df %>% mutate(!!d.name := p * (!!var.a) * c) 
    } 

    pracdf2 <- f1(pracdf, med.a) 
    # works great! Eventually I want to loop through low, med, high. Start with a loop of 1 

    pracdf3 <- map(list(med.a), f1, df = pracdf) 
    # loop crashes spectacularly 
    pracdf3 <- map(list(med.a), ~f1, df = pracdf) 
    # failure 
    pracdf3 <- map(med.a, ~f1, df = pracdf) 
    # what am I doing with my life 

Answer 1

このタスクを難しくする問題の1つは、現在の設定が非常に「整然とした」ものではない可能性があると思います。例えば。 low.a、low.b、med.aなどは、私が「整然とした」列であると理解しているものの例です。

以下は、forループやカスタム関数をまったく使用しないアプローチの1つです（これはおそらく改善する可能性があります）。重要なアイデアは、最初にpracdfを取り、既存の行を展開して各 "レベル"（つまり、低、中、高）に1つの行があるようにすることです。これにより、low、med、およびhighのforループがない単一ステップでdを計算できます。

（読みやすくするために編集してJens Leerssen's提案を含めて）

library(dplyr) 
library(tidyr) 
set.seed(123) 
pracdf <- tibble(ID = letters, 
       p = runif(26, 100, 1000), 
       a = runif(26), 
       b = runif(26), 
       c = runif(26)) 

levdf <- tibble(level = c("low", "med", "high"), 
       level_val = c(0.8, 1.0, 1.2)) 

tidy_df <- pracdf %>% merge(levdf) %>% 
    mutate(d = p * (level_val * a) * (level_val * b) * c) %>% 
    select(-level_val) %>% arrange(ID) %>% as_tibble() 

tidy_df 

#> # A tibble: 78 x 7 
#>  ID  p   a   b   c level   d 
#> <chr> <dbl>  <dbl>  <dbl>  <dbl> <chr>  <dbl> 
#> 1  a 358.8198 0.5440660 0.7989248 0.3517979 low 35.116168 
#> 2  a 358.8198 0.5440660 0.7989248 0.3517979 med 54.869013 
#> 3  a 358.8198 0.5440660 0.7989248 0.3517979 high 79.011379 
#> 4  b 809.4746 0.5941420 0.1218993 0.1111354 low 4.169914 
#> 5  b 809.4746 0.5941420 0.1218993 0.1111354 med 6.515490 
#> 6  b 809.4746 0.5941420 0.1218993 0.1111354 high 9.382306 
#> 7  c 468.0792 0.2891597 0.5609480 0.2436195 low 11.837821 
#> 8  c 468.0792 0.2891597 0.5609480 0.2436195 med 18.496595 
#> 9  c 468.0792 0.2891597 0.5609480 0.2436195 high 26.635096 
#> 10  d 894.7157 0.1471136 0.2065314 0.6680556 low 11.622957 
#> # ... with 68 more rows 

しかし、上記の結果はあなたが最終的なデータを必要なフォーマットではないかもしれません。しかし、我々がやってことで、このの世話をすることができますとtidyr::spreadを使用してtidy_dfの収集と広がりがあります。

tidy_df %>% 
    gather(variable, value, a, b, d) %>% 
    unite(level_variable, level, variable) %>% 
    spread(level_variable, value) 

#> # A tibble: 26 x 12 
#>  ID  p   c  high_a  high_b  high_d  low_a 
#> * <chr> <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl> 
#> 1  a 358.8198 0.3517979 0.54406602 0.79892485 79.011379 0.54406602 
#> 2  b 809.4746 0.1111354 0.59414202 0.12189926 9.382306 0.59414202 
#> 3  c 468.0792 0.2436195 0.28915974 0.56094798 26.635096 0.28915974 
#> 4  d 894.7157 0.6680556 0.14711365 0.20653139 26.151654 0.14711365 
#> 5  e 946.4206 0.4176468 0.96302423 0.12753165 69.905442 0.96302423 
#> 6  f 141.0008 0.7881958 0.90229905 0.75330786 108.778072 0.90229905 
#> 7  g 575.2949 0.1028646 0.69070528 0.89504536 52.681362 0.69070528 
#> 8  h 903.1771 0.4348927 0.79546742 0.37446278 168.480110 0.79546742 
#> 9  i 596.2915 0.9849570 0.02461368 0.66511519 13.845603 0.02461368 
#> 10  j 510.9533 0.8930511 0.47779597 0.09484066 29.775361 0.47779597 
#> # ... with 16 more rows, and 5 more variables: low_b <dbl>, low_d <dbl>, 
#> # med_a <dbl>, med_b <dbl>, med_d <dbl> 

Answer 2

すべての新規の列が1回の呼び出しで処理することができる場所（非tidyverseデータ論争のための私を許して）ベクトル化のアプローチを考えてみましょう。あなたのコードの最後のコメントはこれに対応するために私を納得させるには十分だった

f1 <- function(df, vars) { 
    df[paste0("d.", vars)] <- df$p * df[vars] * df$c 
    return(df) 
} 

newpracdf <- f1(pracdf, c("low.a","high.a","med.a","med.b","low.b","high.b")) 

出力

# # A tibble: 26 x 15 
#  ID  p  med.a  med.b   c  low.a  low.b high.a high.b d.low.a d.high.a d.med.a d.med.b d.low.b d.high.b 
# <chr> <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl> 
# 1  a 122.9573 0.65746601 0.43123587 0.81314570 0.52597281 0.3449887 0.7889592 0.5174830 52.587917 78.881876 65.734897 43.115909 34.492727 51.739091 
# 2  b 412.0127 0.19793909 0.77148952 0.26039116 0.15835127 0.6171916 0.2375269 0.9257874 16.988630 25.482945 21.235787 82.768834 66.215068 99.322601 
# 3  c 155.1248 0.30834064 0.99850558 0.57853922 0.24667251 0.7988045 0.3700088 1.1982067 22.137823 33.206735 27.672279 89.611689 71.689351 107.534027 
# 4  d 715.3769 0.85517040 0.81715464 0.84196723 0.68413632 0.6537237 1.0262045 0.9805856 412.071636 618.107455 515.089546 492.191742 393.753393 590.630090 
# 5  e 790.5284 0.12617255 0.59290522 0.54879020 0.10093804 0.4743242 0.1514071 0.7114863 43.790379 65.685568 54.737973 257.222588 205.778070 308.667105 
# 6  f 193.6968 0.15173488 0.93054996 0.08587380 0.12138791 0.7444400 0.1820819 1.1166600 2.019104 3.028655 2.523879 15.478286 12.382629 18.573943 
# 7  g 451.6000 0.88123996 0.62858787 0.12546384 0.70499197 0.5028703 1.0574880 0.7543054 39.944473 59.916709 49.930591 35.615457 28.492365 42.738548 
# 8  h 342.3741 0.09952918 0.56932309 0.10980862 0.07962334 0.4554585 0.1194350 0.6831877 2.993489 4.490234 3.741861 21.404056 17.123245 25.684867 
# 9  i 143.9489 0.42407685 0.94929822 0.02754267 0.33926148 0.7594386 0.5088922 1.1391579 1.345083 2.017624 1.681353 3.763718 3.010975 4.516462 
# 10  j 911.8069 0.25822441 0.08934875 0.55244369 0.20657953 0.0714790 0.3098693 0.1072185 104.058645 156.087967 130.073306 45.006930 36.005544 54.008316 
# # ... with 16 more rows