Agregue una variable a un marco de datos que contenga el valor máximo de cada fila

Question

Quiero agregar una variable (columna) a un marco de datos (df), que contiene en cada fila el valor máximo de esa fila entre la 2ª a la 26ª columna.

Para la primera fila, el código sería:

df$max[1] <- max(df[1,2:26]) 

estoy buscando una manera de generalizar que para las filas 1 a 865. Si reparto:

df$max[1:865] <- max(df[1:865, 2:26]) 

consigo el máximo general en todas las filas para la variable df$max.

Answer 1

Puede usar apply. Por ejemplo:

df[, "max"] <- apply(df[, 2:26], 1, max) 

Aquí está un ejemplo básico:

> df <- data.frame(a=1:50, b=rnorm(50), c=rpois(50, 10)) 
> df$max <- apply(df, 1, max) 
> head(df, 2) 
    a   b c max 
1 1 1.3527115 9 9 
2 2 -0.6469987 20 20 
> tail(df, 2) 
    a   b c max 
49 49 -1.4796887 10 49 
50 50 0.1600679 13 50 

Answer 2

versión vectorizada con pmax:

df$max <- do.call(pmax, df[2:26]) 

Answer 3

Otro método increíblemente rápida es combinar la extracción matriz [ con max.col, que devuelve una vector indexando la posición de la columna del valor máximo en cada fila.

df$max <- df[2:26][cbind(seq_len(nrow(df)), max.col(df[2:26]))] 

cbind construye una matriz de indexación de la posición del valor máximo de cada fila y [ utiliza esto para extraer este valor.

---

Hagamos algunos puntos de referencia.

# data.frame with 1000 observations and 26 variables 
set.seed(1234) 
df <- data.frame(id=paste0(letters[-1], 1:40), matrix(rnorm(25000L, 5L, 10L), 1000L)) 

también añaden la función rowMaxs del paquete matrixStats a la mezcla.

library(matrixStats) 
library(microbenchmark) 

microbenchmark(apply=apply(df[, 2:26], 1, max), 
       pmax=do.call(pmax, df[2:26]), 
       max.colSub=df[2:26][cbind(seq_len(nrow(df)), max.col(df[2:26]))], 
       rowMaxs=rowMaxs(as.matrix(df[2:26]))) 
Unit: microseconds 
     expr  min  lq  mean median  uq  max neval cld 
     apply 1610.540 1786.5905 2193.5334 1863.5680 1990.4380 6915.999 100 c 
     pmax 354.382 364.6455 380.1720 373.3405 385.4580 567.923 100 a 
    max.colSub 604.416 651.7430 822.6015 664.7155 681.2510 3086.512 100 b 
    rowMaxs 243.762 264.0040 320.2350 277.9750 290.5190 2328.712 100 a 

Así, rowMaxs es el claro ganador seguido de pmax y luego por max.col, con la extracción de la matriz, y apply en el extremo de cola del paquete.

Con un hoja.de.datos con 10000 filas y 26 columnas, obtenemos una historia similar:

set.seed(1234) 
df <- data.frame(id=paste0(letters[-1], 1:400), matrix(rnorm(250000L, 5L, 10L), 10000L)) 

El código anterior devuelve

Unit: milliseconds 
     expr  min  lq  mean median  uq  max neval cld 
     apply 15.193361 18.299830 21.737516 20.337880 21.774793 99.44836 100 c 
     pmax 3.060853 3.101481 3.156630 3.137545 3.191430 3.54182 100 a 
max.colSub 3.338828 3.642603 7.051700 3.992708 6.336531 84.43119 100 b 
    rowMaxs 1.244184 1.322302 2.675281 1.508474 1.638053 79.28054 100 a