A: la differenza tra ifelse() e if_else()
La funzione dplyr if_else() presenta tre vantaggi rispetto alla funzione ifelse() di base R:
1. La funzione if_else() verifica che le due alternative nell’istruzione if else abbiano lo stesso tipo di dati.
2. La funzione if_else() non converte gli oggetti Date in numerici.
3. La funzione if_else() offre un argomento “mancante” per specificare come gestire i valori NA.
Gli esempi seguenti illustrano queste differenze nella pratica.
Esempio 1: if_else() verifica che le due alternative abbiano lo stesso tipo
Supponiamo di avere il seguente frame di dati in R che contiene informazioni su vari giocatori di basket:
#create data frame df <- data. frame (team=c('A', 'A', 'A', 'A', 'B', 'B', 'B', 'B'), points=c(22, 20, 28, 14, 13, 18, 27, 33)) #view data frame df team points 1 to 22 2 to 20 3 to 28 4 to 14 5 B 13 6 B 18 7 B 27 8 B 33
Se utilizziamo la funzione R base ifelse() per creare una nuova colonna che assegni il valore “Atlanta” alle righe con valore squadra “A” e 0 alle righe con valore diverso, non riceveremo alcun errore. anche se “Atlanta” è un carattere e 0 è un numero:
#create new column based on values in team column df$city <- ifelse(df$team == ' A ', ' Atlanta ', 0) #view updated data frame df team points city 1 to 22 Atlanta 2 to 20 Atlanta 3 to 28 Atlanta 4 A 14 Atlanta 5 B 13 0 6 B 18 0 7 B 27 0 8 B 33 0
Tuttavia, se utilizziamo la funzione if_else() di dplyr per eseguire la stessa attività, riceveremo un errore che ci informa che abbiamo utilizzato due tipi di dati diversi nell’istruzione if else:
library (dplyr) #attempt to create new column based on values in team column df$city <- if_else(df$team == ' A ', ' Atlanta ', 0) Error: `false` must be a character vector, not a double vector.
Esempio 2: if_else() non converte gli oggetti data in valori numerici
Supponiamo di avere il seguente frame di dati in R che mostra le vendite effettuate in date diverse in un negozio:
#create data frame df <- data. frame (date=as. Date (c('2022-01-05', '2022-01-17', '2022-01-22', '2022-01-23', '2022-01-29', '2022-02-13')), sales=c(22, 35, 24, 20, 16, 19)) #view data frame df dirty date 1 2022-01-05 22 2 2022-01-17 35 3 2022-01-22 24 4 2022-01-23 20 5 2022-01-29 16 6 2022-02-13 19
Se utilizziamo la funzione R base ifelse() per modificare i valori della colonna della data, i valori verranno automaticamente convertiti in numerici:
#if date is before 2022-01-20 then add 5 days df$date <- ifelse(df$date < ' 2022-01-20 ', df$date+ 5 , df$date) dirty date 1 19002 22 2 19014 35 3 19014 24 4 19015 20 5 19021 16 6 19036 19
Tuttavia, se utilizziamo la funzione if_else() di dplyr, gli oggetti data rimarranno come date:
library (dplyr) #if date is before 2022-01-20 then add 5 days df$date <- ifelse(df$date < ' 2022-01-20 ', df$date+ 5 , df$date) #view updated data frame df dirty date 1 2022-01-10 22 2 2022-01-22 35 3 2022-01-22 24 4 2022-01-23 20 5 2022-01-29 16 6 2022-02-13 19
Esempio 3: if_else() offre un argomento “mancante” per specificare come gestire i valori NA
Supponiamo di avere il seguente frame di dati in R:
#create data frame df <- data. frame (team=c('A', 'A', 'A', 'A', 'B', 'B', NA, 'B'), points=c(22, 20, 28, 14, 13, 18, 27, 33)) #view data frame df team points 1 to 22 2 to 20 3 to 28 4 to 14 5 B 13 6 B 18 7 <NA> 27 8 B 33
Se utilizziamo la funzione R base ifelse() per creare una nuova colonna, non esiste alcuna opzione predefinita per specificare come gestire i valori NA:
#create new column based on values in team column
df$city <- ifelse(df$team == ' A ', ' Atlanta ', ' Boston ')
#view updated data frame
df
team points city
1 to 22 Atlanta
2 to 20 Atlanta
3 to 28 Atlanta
4 A 14 Atlanta
5 B 13 Boston
6 B 18 Boston
7 <NA> 27 <NA>
8 B 33 Boston
Tuttavia, se utilizziamo la funzione if_else() di dplyr, possiamo utilizzare l’argomento mancante per specificare come gestire i valori NA:
library (dplyr)
#create new column based on values in team column
df$city <- ifelse(df$team == ' A ', ' Atlanta ', ' Boston ', missing=' other ')
#view updated data frame
df
team points city
1 to 22 Atlanta
2 to 20 Atlanta
3 to 28 Atlanta
4 A 14 Atlanta
5 B 13 Boston
6 B 18 Boston
7 <NA> 27 other
8 B 33 Boston
Tieni presente che la riga con un valore NA nella colonna della squadra riceve il valore “altro” nella nuova colonna della città .
Risorse addizionali
I seguenti tutorial spiegano come eseguire altre attività comuni in R:
Come utilizzare l’istruzione If con più condizioni in R
Come scrivere un’istruzione If Else annidata in R
Come scrivere la tua prima funzione tryCatch() in R