binden Vektoren in einer Schleife mit R

Question

Ich muss Vektoren [Attribute] von remove_outliers Funktion in einem Datenrahmen zurückgegeben. Gerade jetzt, ich bekomme eine große Matrix. Ich habe append Methode versucht (folgend)

# function to calculate IQR and upper and lower limit of given attribute 
remove_outliers <- function(attribute, na.rm = TRUE, ...) { 
    IQR_val <- quantile(attribute, probs=c(.25, .75), na.rm = na.rm, ...) 
    LF <- 1.5 * IQR(attribute, na.rm = na.rm) 
    attribute_W_NA <- attribute 
    attribute_W_NA[attribute < (IQR_val[1] - LF)] <- NA 
    attribute_W_NA[attribute > (IQR_val[2] + LF)] <- NA 
    attribute_W_NA 
} 

cleaned_data <- NULL 

for(i in 1:ncol(data_rm_val)){ 
    # cleaned data with NA entries replacing outliers 

    cleaned_data <- cbind(cleaned_data, remove_outliers(data_rm_val[,i])) 

} 

es in großer Matrix führt

Dies ist Eingangsdatenrahmen:

Stromausgang ist: (mit cbind in loop)

und das gewünschte Ergebnis sollte ein Datenrahmen mit der gleichen Anzahl von Zeilen und Spalten sein.

Jede Hilfe würde sehr geschätzt werden. PS: Ich bin ein Neuling in R und Data Science.

Answer 1

Verwenden Sie einfach lapply mit Ihrer benutzerdefinierten Funktion und vermeiden Sie das Verbinden oder Anhängen. Wenn lapply() auf einem Datenrahmen unter Verwendung führen Sie Operationen auf jeder Spalte:

cleaned_data <- data.frame(lapply(data_rm_val, remove_outliers)) 

Jetzt oben nimmt an Ihre definierte Funktion, remove_outliers einen Vektortyp zurückgibt. Um sicherzustellen, dass ein Vektor immer ausgibt, solle vapply(), die eine Länge gleich Eingang oder nrow(data_rm_val):

cleaned_data <- data.frame(vapply(data_rm_val, remove_outliers, numeric(nrow(data_rm_val)))) 

---

Vor zwei Optionen funktionieren auf einem Datensatz von Zufallszahlen (seit OP nicht Beispiel Daten zur Verfügung stellen):

data_rm_val <- data.frame(matrix(rnorm(25),5)) 

#   X1   X2   X3   X4   X5 
# 1 0.4303766 1.8152041 0.3355174 -0.4880282 -0.63612820 
# 2 0.2876950 -0.7613642 -1.5046115 0.1821653 0.09397964 
# 3 -2.3402548 -0.6771749 -2.0122667 -0.9442210 -1.30994853 
# 4 1.4224979 -1.7940421 -0.5110736 -0.2837820 -0.24240172 
# 5 -0.7484131 -0.8159326 -1.2690513 -1.0422656 1.23811458 

cleaned_data <- data.frame(lapply(data_rm_val, remove_outliers)) 

#   X1   X2   X3   X4   X5 
# 1 0.4303766   NA 0.3355174 -0.4880282 -0.63612820 
# 2 0.2876950 -0.7613642 -1.5046115 0.1821653 0.09397964 
# 3 -2.3402548 -0.6771749 -2.0122667 -0.9442210 -1.30994853 
# 4 1.4224979   NA -0.5110736 -0.2837820 -0.24240172 
# 5 -0.7484131 -0.8159326 -1.2690513 -1.0422656   NA 

cleaned_data2 <- data.frame(vapply(data_rm_val, 
            remove_outliers, numeric(nrow(data_rm_val)))) 

#   X1   X2   X3   X4   X5 
# 1 0.4303766   NA 0.3355174 -0.4880282 -0.63612820 
# 2 0.2876950 -0.7613642 -1.5046115 0.1821653 0.09397964 
# 3 -2.3402548 -0.6771749 -2.0122667 -0.9442210 -1.30994853 
# 4 1.4224979   NA -0.5110736 -0.2837820 -0.24240172 
# 5 -0.7484131 -0.8159326 -1.2690513 -1.0422656   NA