r - Purrr-Fection : In Search of An Elegant Solution to Conditional Data Frame Operations Leveraging Purrr

Question

背景

我有一个问题，可能有多种解决方案，但我相信有一个尚未发现的优雅解决方案利用 purrr。

示例代码

我有一个如下的大数据框，为此我在下面提供了一个示例:

library(tibble)
library(ggmap)
library(purrr)
library(dplyr)

# Define Example Data
df <- frame_data(
  ~Street,                ~City,        ~State,     ~Zip,  ~lon,      ~lat,
  "226 W 46th St",        "New York",   "New York", 10036, -73.9867,  40.75902,
  "5th Ave",              "New York",   "New York", 10022, NA,        NA,
  "75 Broadway",          "New York",   "New York", 10006, -74.01205, 40.70814,
  "350 5th Ave",          "New York",   "New York", 10118, -73.98566, 40.74871,
  "20 Sagamore Hill Rd",  "Oyster Bay", "New York", 11771, NA,        NA,
  "45 Rockefeller Plaza", "New York",   "New York", 10111, -73.97771, 40.75915
)

挑战

我想对 lon 的所有位置进行地理标记和 lat列当前为 NA .有很多方法可以解决这个问题，其中一种如下所示:

# Safe Code is Great Code
safe_geocode <- safely(geocode)

# Identify Data to be Geotagged by Absence of lon and lat
data_to_be_geotagged <- df %>% filter(is.na(lon) | is.na(lat))

# GeoTag Addresses of Missing Data Points
fullAddress <- paste(data_to_be_geotagged$Street,
                     data_to_be_geotagged$City,
                     data_to_be_geotagged$State,
                     data_to_be_geotagged$Zip,
                     sep = ", ")

fullAddress %>% 
  map(safe_geocode) %>% 
  map("result") %>%
  plyr::ldply()

问题

虽然我可以让上述工作，甚至与新发现的 lon 争吵和 lat坐标回到原始数据框，整个方案感觉很脏。我相信有一种优雅的方法可以利用管道和 purrr 来遍历数据框，并根据 lon 的缺失有条件地对位置进行地理标记。和 lat .

我经历过很多兔子洞，包括 purrr::pmap试图在构建完整地址时并行遍历多个列(以及 rowwise() 和 by_row() )。尽管如此，我在构建任何可以称为优雅解决方案的东西方面都做得不够好。

提供的任何见解将不胜感激。

Answer 1

真的，您想避免调用 geocode没有必要，因为它很慢，如果你使用谷歌，你每天只有 2500 个查询。因此，最好在同一个调用中创建两列，这可以通过列表列来完成，使用 do 创建新版本的 data.frame ，或自联接。

1.带有列表栏

使用列表列，您可以创建 lon 的新版本和 lat与 ifelse , 地理编码，如果有 NA s，否则只是复制现有值。然后，摆脱旧版本的列并取消嵌套新的列:

library(dplyr)
library(ggmap)
library(tidyr)    # For `unnest`

       # Evaluate each row separately
df %>% rowwise() %>% 
    # Add a list column. If lon or lat are NA,
    mutate(data = ifelse(any(is.na(c(lon, lat))), 
                         # return a data.frame of the geocoded results,
                         list(geocode(paste(Street, City, State, Zip))), 
                         # else return a data.frame of existing columns.
                         list(data_frame(lon = lon, lat = lat)))) %>% 
    # Remove old columns
    select(-lon, -lat) %>% 
    # Unnest newly created ones from list column
    unnest(data)

## # A tibble: 6 × 6
##                 Street       City    State   Zip       lon      lat
##                  <chr>      <chr>    <chr> <dbl>     <dbl>    <dbl>
## 1        226 W 46th St   New York New York 10036 -73.98670 40.75902
## 2              5th Ave   New York New York 10022 -73.97491 40.76167
## 3          75 Broadway   New York New York 10006 -74.01205 40.70814
## 4          350 5th Ave   New York New York 10118 -73.98566 40.74871
## 5  20 Sagamore Hill Rd Oyster Bay New York 11771 -73.50538 40.88259
## 6 45 Rockefeller Plaza   New York New York 10111 -73.97771 40.75915

2.与 do do , 另一方面，从旧的部分创建一个全新的 data.frame。它需要稍微笨重的 $符号，带有 .表示通过管道输入的分组 data.frame。使用 if和 else而不是 ifelse让您避免在列表中嵌套结果(无论如何，它们必须在上面)。

       # Evaluate each row separately
df %>% rowwise() %>% 
    # Make a new data.frame from the first four columns and the geocode results or existing lon/lat
    do(bind_cols(.[1:4], if(any(is.na(c(.$lon, .$lat)))){
        geocode(paste(.[1:4], collapse = ' '))
    } else {
        .[5:6]
    }))

它返回与第一个版本完全相同的东西。

3. 在一个子集上，用自连接重组

如果 ifelse过于困惑，您可以只对子集进行地理编码，然后通过将行绑定(bind)到 anti_join 来重新组合，即 df 中的所有行但不是子集 . :

df %>% filter(is.na(lon) | is.na(lat)) %>% 
    select(1:4) %>% 
    bind_cols(geocode(paste(.$Street, .$City, .$State, .$Zip))) %>% 
    bind_rows(anti_join(df, ., by = c('Street', 'Zip')))

它返回相同的内容，但新的地理编码行位于顶部。相同的方法适用于列表列或 do ，但由于不需要合并两组列，只需 bind_cols会成功的。

4. 在具有 mutate_geocode 的子集上
ggmap实际上包括一个 mutate_geocode当传递一个 data.frame 和一列地址时将添加 lon 和 lat 列的函数。它有一个问题:它不能接受超过地址的列名，因此需要一个包含整个地址的列。因此，虽然这个版本可能非常好，但它需要创建和删除一个包含整个地址的额外列，使其不简洁:

df %>% filter(is.na(lon) | is.na(lat)) %>% 
    select(1:4) %>% 
    mutate(address = paste(Street, City, State, Zip)) %>%    # make an address column
    mutate_geocode(address) %>% 
    select(-address) %>%    # get rid of address column
    bind_rows(anti_join(df, ., by = c('Street', 'Zip')))

##                 Street       City    State   Zip       lon      lat
## 1              5th Ave   New York New York 10022 -73.97491 40.76167
## 2  20 Sagamore Hill Rd Oyster Bay New York 11771 -73.50538 40.88259
## 3 45 Rockefeller Plaza   New York New York 10111 -73.97771 40.75915
## 4          350 5th Ave   New York New York 10118 -73.98566 40.74871
## 5          75 Broadway   New York New York 10006 -74.01205 40.70814
## 6        226 W 46th St   New York New York 10036 -73.98670 40.75902

5.基础R

Base R 可以直接赋值给一个子集，这使得这里的成语简单得多，即使它需要很多子集:

df[is.na(df$lon) | is.na(df$lat), c('lon', 'lat')] <- geocode(paste(df$Street, df$City, df$State, df$Zip)[is.na(df$lon) | is.na(df$lat)])

结果与第一个版本相同。

所有版本仅调用 geocode两次。

请注意，虽然您可以使用 purrr对于这项工作，它并不比普通的 dplyr 更适合。 . purrr擅长处理列表，虽然列表列是一种选择，但实际上并不需要对其进行操作。