neue Variable erstellen, die nur für eine Teilmenge der Daten mit 'dplyr' definiert ist

Betrachten Sie diese Beispieldaten:

Und diese BEISPIEL-vektorisierte Funktion, die leider immer dann einen Fehler auslöst, wenn eines der Argumente NA

Nun, in der Mitte einer dplyr -Kette muss ich eine neue Variable mit myfn erstellen. Diese neue Variable ( var3 ) ist nur definiert, wenn var1 und var2 nicht NA sind.

Daher ist die häufigste Lösung für ähnliche Situationen die Verwendung von ifelse . So etwas.

Aber das funktioniert in meinem Fall nicht, weil ifelse sowieso den gesamten Vektor var1 und var2 nach myfn übergibt und nicht nur den Untervektor, wenn test FALSE ist. Und es bricht alles, weil myfn bricht, wenn ein NA erhalten wird.

Also, was ist die clevere dplyr Lösung dafür? (Ich kann mir dafür viele Lösungen vorstellen, ohne dplyr zu verwenden, aber ich bin nur an einer dplyr -freundlichen Lösung interessiert)

Es ist mir aufgefallen, dass filter helfen könnte und tatsächlich mit einem sehr lesbaren und dplyr y Code arbeitet

Aber dann müsste ich das in einem temporären Objekt speichern, dann var3 in den ursprünglichen Daten erstellen, alle mit NA und alles wieder in die gleichen Daten einfügen (soweit ich das% co_de kenne %, die einige haben vorgeschlagen existiert nicht, ..., noch).

Um nur die Ausgabe zu illustrieren, die ich möchte, erzeugt dieser Code sie (keine Verwendung von unfilter überhaupt):

BEARBEITEN:

Ich habe @ krmlrs Lösung akzeptiert, weil es genau das ist, wonach ich gesucht habe: klaren, leicht lesbaren und prägnanten Code, der mühelos in eine dplyr -Kette integriert werden kann. Für mein Beispiel sieht diese Lösung so aus.

Wie @crlmlr jedoch in seiner Antwort darauf hingewiesen hat, hat der Betrieb Zeile für Zeile Kosten in Bezug auf die Leistung. Für kleine Datensätze oder einmalige Operationen ist es möglicherweise nicht von Bedeutung, aber für größere Datenmengen oder die millionenfache Wiederholung der Operation könnte es beträchtlich sein. Zur Veranschaulichung, hier ist ein Vergleich mit dplyr und drei Lösungen (Basis, dyplr und data.table) über einen etwas größeren Datensatz (nicht massiv oder so, nur 1000 Zeilen statt 10 in meinem ursprünglichen Beispiel).

Und wie Sie sehen können, ist die microbenchmark -Lösung mit dplyr wesentlich langsamer als ihre rowwise und base Rivalen.