在R中创建函数

Question

我正在尝试创建查看两个CSV文件的代码:一个是所有鸟类及其活动范围的世界列表，另一个是喜马拉雅山上所有鸟类的文件。我需要检查CSV文件中的每个物种与国际奥委会世界列表一上的匹配物种，看看这只鸟是否真的在范围内(这意味着在Range列中会显示"India"或"himalayas"或"s e Asia" )。我想创建一个函数，可以输入两个数据集，查找名称匹配的位置，检查range是否包含这些单词，并返回不包含这些单词的位置，这样我就可以专门检查这些鸟了。下面是我目前所拥有的(我使用的是RStudio)：

myfunc <- function() { 

if ((bird_data$Scientific.name == ioc$Scientific.name) &      (ioc$Scientific.name!=("Himalayas" | "se Asia" | "India")) {
print(eval(bird_data$Common.Name[bird_data$Scientific.name == ioc$Scientific.name) & (ioc$Scientific.name!=("Himalayas" | "se Asia" | "India")]))
  }
}
save("myfunc", file = "myfunc.Rdata")  
source("myfunc.Rdata")

我想我搞砸了，因为没有输入。所以我尝试了一种新的方法：

compare = function(data1, data2) {
....
}

但对于上面的内容，我不知道如何让函数识别适当的数据子集(比如我不能说data1$Scientific.name)。

Answer 1

如果没有一个最小的可重现的例子，就很难回答这个问题-如果没有任何关于你正在比较的两个数据帧的知识，就很难制定出解决方案-请参阅上面alistaire评论中的链接，了解如何提供解决方案。

我建议你更改你的问题标题，使它更具信息性-“在R中创建函数”表明你想知道R中的函数所需的语法-我建议“用Grep对数据帧进行子集，然后在R中过滤结果”--这就是我认为你实际上正在尝试做的事情。

假设你从国际鸟类学委员会website获得了国际奥委会世界名录数据，我不确定你在函数中描述的方法是否可以作为育种范围-亚区列中的数据，例如：

w Himalayas to s Siberia and w Mongolia
Himalayas to c China
e Afghanistan to nw India and w Nepal
e Afghanistan to w Tibetan plateau and n India
Africa south of the Sahara, s and se Asia

这些值都不同于“印度”、“喜马拉雅”或“东南亚”，并且您的函数将不会返回任何一个精确匹配的值。您需要使用grep来查找数据中存在的子字符串。

让我们创建一个玩具数据集。

bird_data <- data.frame(
        Scientific.name=c(
          "Chicken Little",
          "Woodstock",
          "Woody Woodpecker",
          "Donald Duck",
          "Daffy Duck",
          "Big Bird",
          "Tweety Pie",
          "Foghorn Leghorn",
          "The Road Runner",
          "Angry Birds"))

ioc_data <- data.frame(
  Scientific.name=c(
          "Chicken Little",
          "Woodstock",
          "Woody Woodpecker",
          "Donald Duck",
          "Daffy Duck",
          "Big Bird",
          "Tweety Pie",
          "The Road Runner",
          "Angry Birds"),
  subrange=c(
    "Australia, New Zealand",
    "w Himalayas to s Siberia and w Mongolia",
    "Himalayas to c China",
    "e Afghanistan to nw India and w Nepal",
    "e Afghanistan to w Tibetan plateau and n India",
    "Africa south of the Sahara, s and se Asia",
    "Amazonia to n Argentina",
    "n Eurasia",
    "n North America"))

我会把你正在尝试做的事情分成两个步骤。

步骤1

使用grep根据您的搜索词是否在subrange列中找到来设置ioc_data数据框子集：

searchTerms <- c("India", "himalayas", "SE Asia")

#Then we use grep to return the indexes of matching rows:

matchingIndexes <- grep(paste(searchTerms, collapse="|"), 
                        ioc_data$subrange,
                        ignore.case=TRUE) #Important so search such as "SE Asia" will match "se asia"

#We can then use our matching indexes to subset our ioc_data dataframe producing
#a subset of data corresponding to our range of interest:

ioc_data_subset <- ioc_data[matchingIndexes,]

步骤2

如果我正确理解了您的问题，您现在希望从bird_data中提取ioc_data_subset中不存在的行(即，bird_data中的哪些行是针对在国际奥委会数据中没有记录为栖息在“印度”、“东南亚”和“喜马拉雅”子范围内的鸟类的。

我会使用Hadley Wickham的dplyr包来解决这个问题--一个很好的小抄可以在here上找到。安装dplyr后

library(dplyr)

#Create a merged dataframe containing all the data in one place.
merged_data <- dplyr::left_join(bird_data,
                ioc_data,
                by = "Scientific.name")

#Use an anti_join to select any rows in merged_data that are NOT present in
#ioc_data_subset

results <- dplyr::anti_join(merged_data,
                ioc_data_subset,
                by = "Scientific.name")

首先需要left_join，否则我们在最终数据库中就不会有subrange列。请注意，任何不在IOC_data中的bird_data中的物种都将在subrange列中返回NA，以指示未找到数据。

 results
  Scientific.name                subrange
1     Angry Birds         n North America
2 The Road Runner               n Eurasia
3 Foghorn Leghorn                    <NA>
4      Tweety Pie Amazonia to n Argentina
5  Chicken Little  Australia, New Zealand