如何使用 case_when 而不是 if_else [我的代码中有错误？]

Question

我试图意识到为什么我不能使用dplyr::case_when而不是dplyr::if_else.
可能我错过了一些东西。让我解释：

我得到了这个工作正常的操作：

df %>%
  mutate(
    keep = if_else(
      assembly_level != "Complete Genome" | genome_rep != "Full",
      FALSE,
      ifelse(
        version_status == "suppressed",
        FALSE,
        if_else(
          refseq_category %in% c("reference genome", "representative genome"),
          TRUE,
          if_else(
            rpseudo > 0.4,
            FALSE,
            TRUE
          )
        )
      )
    )
  )

但是，当我尝试使用case_when这种方式时

df %>%
  mutate(
    keep = case_when(
      assembly_level != "Complete Genome" | genome_rep != "Full" ~ FALSE, 
      version_status == "suppressed" ~ FALSE,
      refseq_category %in% c("reference genome", "representative genome") ~ TRUE, 
      rpseudo > 0.4 ~ FALSE,
      TRUE ~ TRUE
    )
  )

我得到了不同的结果。

我认为问题只是函数的使用。

如果你需要数据，它是一个普通的公共数据，可以在这里下载：ftp : //ftp.ncbi.nlm.nih.gov/genomes/ASSEMBLY_REPORTS/assembly_summary_refseq.txt

要得到：

read_tsv("ftp://ftp.ncbi.nlm.nih.gov/genomes/ASSEMBLY_REPORTS/assembly_summary_refseq.txt", 
         comment = "#",
         col_names = c(
           "assembly", "bioproject", "biosample", 
           "wgs_master", "refseq_category", "taxid", 
           "species_taxid", "organism_name", "infraspecific_name", 
           "isolate", "version_status", "assembly_level", 
           "release_type", "genome_rep", "seq_rel_date", 
           "asm_name", "submitter", "gbrs_paired_asm", 
           "paired_asm_comp", "ftp_path", "excluded_from_refseq", "relation_to_type_material"
         )
) %>%
  select(assembly, refseq_category, 
         assembly_level, genome_rep, 
         version_status, release_type) %>%
  mutate(
    rpseudo = runif(nrow(.), 0, 1)
  ) -> df
# it will got some warnings

提前致谢，

Answer 1

还有NA的数据。存储来自if_elsein的输出df1和带有case_whenin的输出df2。df1$keep和df2$keepis之间的唯一区别是它们中的 sdf1$keep很少NA，并且在那些地方case_when有一些真正的值。查看

table(df1$keep, useNA = "always")
# FALSE   TRUE   <NA> 
#156616  10386     79 

table(df2$keep, useNA = "always")
# FALSE   TRUE   <NA> 
#156647  10434      0 

如果你这样做

(156647 - 156616) + (10434 - 10386) #It gives exactly
#[1] 79

此外，如果您删除这些NA值然后检查值df1并且df2它们是相同的。

all(df1$keep[!is.na(df1$keep)] == df2$keep[!is.na(df1$keep)])
#[1] TRUE

该方法NA正在被处理的if_else和case_when是不同的。考虑这个简化的例子以更好地理解。

library(dplyr)
df <- data.frame(a = c(1:3, NA, 4:7), b = c(NA, letters[1:7]))

现在让我们创建一些随机条件进行测试。使用if_else

df %>%
  mutate(res = if_else(a > 3, "Yes", 
                   if_else(b == "c", "No", 
                           if_else(a > 5, "Maybe", "Done"))))

#   a    b  res
#1  1 <NA> <NA>
#2  2    a Done
#3  3    b Done
#4 NA    c <NA>
#5  4    d  Yes
#6  5    e  Yes
#7  6    f  Yes
#8  7    g  Yes

但是，随着case_when你得到输出

df %>%
   mutate(res = case_when(a > 3 ~ "Yes", 
                          b == "c"~"No", 
                          a > 5 ~ "Maybe", 
                          TRUE ~ "Done"))

#   a    b  res
#1  1 <NA> Done
#2  2    a Done
#3  3    b Done
#4 NA    c   No
#5  4    d  Yes
#6  5    e  Yes
#7  6    f  Yes
#8  7    g  Yes

因此，如果您注意到 inif_else如果NA遇到an ，它会NA立即返回。然而，在case_when它把NA作为FALSE，所以如果NA遇到它去下一个条件，直到所有条件满足或其他返回值TRUE。

数据

set.seed(1234)
read_tsv("ftp://ftp.ncbi.nlm.nih.gov/genomes/ASSEMBLY_REPORTS/assembly_summary_refseq.txt",
comment = "#",
col_names = c(
       "assembly", "bioproject", "biosample", 
       "wgs_master", "refseq_category", "taxid", 
       "species_taxid", "organism_name", "infraspecific_name", 
       "isolate", "version_status", "assembly_level", 
       "release_type", "genome_rep", "seq_rel_date", 
       "asm_name", "submitter", "gbrs_paired_asm", 
       "paired_asm_comp", "ftp_path", "excluded_from_refseq", "relation_to_type_material"
     )
) %>%
select(assembly, refseq_category, 
      assembly_level, genome_rep, 
     version_status, release_type) %>%
 mutate(
  rpseudo = runif(nrow(.), 0, 1)
 ) -> df