<\/p>\n
Die Funktion dplyr<\/a> if_else()<\/strong> hat gegen\u00fcber der R-Basisfunktion ifelse()<\/strong> drei Vorteile:<\/span><\/span><\/p>\n 1.<\/strong> Die Funktion if_else()<\/strong> pr\u00fcft, ob die beiden Alternativen in der if else-Anweisung denselben Datentyp haben.<\/span><\/p>\n 2.<\/strong> Die Funktion if_else()<\/strong> konvertiert Datumsobjekte nicht in numerische Objekte.<\/span><\/p>\n 3.<\/strong> Die Funktion if_else()<\/strong> bietet ein \u201efehlendes\u201c Argument, um anzugeben, wie mit NA-Werten umgegangen werden soll.<\/span><\/p>\n Die folgenden Beispiele veranschaulichen diese Unterschiede in der Praxis.<\/span><\/p>\n Angenommen, wir haben den folgenden Datenrahmen in R, der Informationen \u00fcber verschiedene Basketballspieler enth\u00e4lt:<\/span><\/p>\n Wenn wir die R-Basisfunktion ifelse()<\/strong> verwenden, um eine neue Spalte zu erstellen, die Zeilen mit einem Teamwert von \u201eA\u201c den Wert \u201eAtlanta\u201c und Zeilen mit einem anderen Wert 0 zuweist, erhalten wir keine Fehlermeldungen. obwohl \u201eAtlanta\u201c ein Zeichen und 0 eine Zahl ist:<\/span><\/span><\/p>\n Wenn wir jedoch die if_else()<\/strong> -Funktion von dplyr verwenden, um dieselbe Aufgabe auszuf\u00fchren, erhalten wir eine Fehlermeldung, die uns mitteilt, dass wir in der if else-Anweisung zwei verschiedene Datentypen verwendet haben:<\/span><\/p>\n Angenommen, wir haben den folgenden Datenrahmen in R, der die Verk\u00e4ufe zeigt, die zu verschiedenen Terminen in einem Gesch\u00e4ft get\u00e4tigt wurden:<\/span><\/p>\n Wenn wir die R-Basisfunktion ifelse()<\/strong> verwenden, um die Werte der Datumsspalte zu \u00e4ndern, werden die Werte automatisch in numerische Werte konvertiert:<\/span><\/p>\n Wenn wir jedoch die Funktion if_else()<\/strong> von dplyr verwenden, bleiben die Datumsobjekte als Datumsangaben erhalten:<\/span><\/span><\/p>\n Angenommen, wir haben den folgenden Datenrahmen in R:<\/span><\/p>\n Wenn wir die R-Basisfunktion ifelse()<\/strong> verwenden, um eine neue Spalte zu erstellen, gibt es keine Standardoption, um anzugeben, wie mit NA-Werten umgegangen wird:<\/span><\/p>\n Wenn wir jedoch die if_else()<\/strong> -Funktion von dplyr verwenden, k\u00f6nnen wir das fehlende<\/strong> Argument verwenden, um anzugeben, wie mit NA-Werten umgegangen wird:<\/span><\/p>\n Beachten Sie, dass die Zeile mit einem NA-Wert in der Teamspalte<\/strong> den Wert \u201eandere\u201c in der neuen Stadtspalte<\/strong> erh\u00e4lt.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie Sie andere h\u00e4ufige Aufgaben in R ausf\u00fchren:<\/span><\/p>\n So verwenden Sie die If-Anweisung mit mehreren Bedingungen in R<\/a> Die Funktion dplyr if_else() hat gegen\u00fcber der R-Basisfunktion ifelse() drei Vorteile: 1. Die Funktion if_else() pr\u00fcft, ob die beiden Alternativen in der if else-Anweisung denselben Datentyp haben. 2. Die Funktion if_else() konvertiert Datumsobjekte nicht in numerische Objekte. 3. Die Funktion if_else() bietet ein \u201efehlendes\u201c Argument, um anzugeben, wie mit NA-Werten umgegangen werden soll. Die folgenden […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Beispiel 1: if_else() pr\u00fcft, ob die beiden Alternativen den gleichen Typ haben<\/strong><\/span><\/h2>\n
#create data frame\n<\/span>df <- data. frame<\/span> (team=c('A', 'A', 'A', 'A', 'B', 'B', 'B', 'B'),\n points=c(22, 20, 28, 14, 13, 18, 27, 33))\n\n#view data frame\n<\/span>df\n\n team points\n1 to 22\n2 to 20\n3 to 28\n4 to 14\n5 B 13\n6 B 18\n7 B 27\n8 B 33<\/strong><\/pre>\n #create new column based on values in team column\n<\/span>df$city <- ifelse(df$team ==<\/span> ' A<\/span> ', ' Atlanta<\/span> ', 0)\n\n#view updated data frame\n<\/span>df\n\n team points city\n1 to 22 Atlanta\n2 to 20 Atlanta\n3 to 28 Atlanta\n4 A 14 Atlanta\n5 B 13 0\n6 B 18 0\n7 B 27 0\n8 B 33 0\n<\/strong><\/pre>\n library<\/span> (dplyr)<\/span>\n\n#attempt to create new column based on values in team column\n<\/span>df$city <- if_else(df$team ==<\/span> ' A<\/span> ', ' Atlanta<\/span> ', 0)\n\nError: `false` must be a character vector, not a double vector.\n<\/strong><\/pre>\n Beispiel 2: if_else() konvertiert keine Datumsobjekte in numerische Werte<\/span><\/strong><\/h2>\n
#create data frame\n<\/span>df <- data. frame<\/span> (date=as. Date<\/span> (c('2022-01-05', '2022-01-17', '2022-01-22',\n '2022-01-23', '2022-01-29', '2022-02-13')),\n sales=c(22, 35, 24, 20, 16, 19))\n\n#view data frame\n<\/span>df\n\n dirty date\n1 2022-01-05 22\n2 2022-01-17 35\n3 2022-01-22 24\n4 2022-01-23 20\n5 2022-01-29 16\n6 2022-02-13 19\n<\/strong><\/pre>\n #if date is before 2022-01-20 then add 5 days\n<\/span>df$date <- ifelse(df$date < ' 2022-01-20<\/span> ', df$date+ 5<\/span> , df$date)\n\n dirty date\n1 19002 22\n2 19014 35\n3 19014 24\n4 19015 20\n5 19021 16\n6 19036 19\n<\/strong><\/pre>\n library<\/span> (dplyr)<\/span>\n\n#if date is before 2022-01-20 then add 5 days\n<\/span>df$date <- ifelse(df$date < ' 2022-01-20<\/span> ', df$date+ 5<\/span> , df$date)\n\n#view updated data frame<\/span>\ndf\n\n dirty date\n1 2022-01-10 22\n2 2022-01-22 35\n3 2022-01-22 24\n4 2022-01-23 20\n5 2022-01-29 16\n6 2022-02-13 19\n<\/strong><\/pre>\n Beispiel 3: if_else() bietet ein \u201efehlendes\u201c Argument, um anzugeben, wie mit NA-Werten umgegangen werden soll<\/span><\/strong><\/h2>\n
#create data frame\n<\/span>df <- data. frame<\/span> (team=c('A', 'A', 'A', 'A', 'B', 'B', NA, 'B'),\n points=c(22, 20, 28, 14, 13, 18, 27, 33))\n\n#view data frame\n<\/span>df\n\n team points\n1 to 22\n2 to 20\n3 to 28\n4 to 14\n5 B 13\n6 B 18\n7 <NA> 27\n8 B 33<\/strong><\/pre>\n #create new column based on values in team column\ndf$city <- ifelse(df$team ==<\/span> ' A<\/span> ', ' Atlanta<\/span> ', ' Boston<\/span> ')\n\n#view updated data frame<\/span>\ndf\n\n team points city\n1 to 22 Atlanta\n2 to 20 Atlanta\n3 to 28 Atlanta\n4 A 14 Atlanta\n5 B 13 Boston\n6 B 18 Boston\n7 <NA> 27 <NA>\n8 B 33 Boston\n<\/span><\/span><\/strong><\/pre>\n library<\/span> (dplyr)<\/span>\n\n#create new column based on values in team column\ndf$city <- ifelse(df$team ==<\/span> ' A<\/span> ', ' Atlanta<\/span> ', ' Boston<\/span> ', missing=' other<\/span> ')\n\n#view updated data frame\n<\/span>df\n\n team points city\n1 to 22 Atlanta\n2 to 20 Atlanta\n3 to 28 Atlanta\n4 A 14 Atlanta\n5 B 13 Boston\n6 B 18 Boston\n7 <NA> 27 other\n8 B 33 Boston\n<\/span><\/span><\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So schreiben Sie eine verschachtelte If Else-Anweisung in R<\/a>
So schreiben Sie Ihre erste tryCatch()-Funktion in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"