在R数据框中按组应用计算 [英] Applying calculation per groups within R dataframe

问题描述

我有这样的数据：

object category country
495647 1        RUS  
477462 2        GER  
431567 3        USA  
449136 1        RUS  
367260 1        USA  
495649 1        RUS  
477461 2        GER  
431562 3        USA  
449133 2        RUS  
367264 2        USA  
...

其中一个对象出现在各种（类别，国家/地区）对和国家/地区共享一个类别列表。

where one object appears in various (category, country) pairs and countries share a single list of categories.

我想在其中添加另一列，这就是每个国家/地区的类别权重-某个类别的类别中出现的对象数量，在一个国家/地区内归一化为最多1个对象（仅针对唯一的（类别，国家/地区）求和 code>对）。

I'd like to add another column to that, which would be a category weight per country - the number of objects appearing in a category for a category, normalized to sum up to 1 within a country (summation only over unique (category, country) pairs).

我可以做以下事情：

aggregate(df$object, list(df$category, df$country), length)

然后从那里计算重量，但是直接在原始数据上执行此操作的更有效，更优雅的方法是什么。

and then calculate the weight from there, but what's a more efficient and elegant way of doing that directly on the original data.

所需的示例输出：

object category country weight
495647 1        RUS     .75
477462 2        GER     .5 
431567 3        USA     .5 
449136 1        RUS     .75
367260 1        USA     .25
495649 1        RUS     .75
477461 3        GER     .5
431562 3        USA     .5
449133 2        RUS     .25
367264 2        USA     .25
...

上面的内容总计一个国家/地区唯一的（类别，国家/地区）对。

The above would sum up to one within country for unique (category, country) pairs.

推荐答案

专门与最后要记住的一句话是：直接在原始数据上执行此操作的更有效，更优雅的方法是什么。恰好是 data.table 为此提供了一项新功能。

Responding specifically with the final sentence in mind: "What's a more efficient and elegant way of doing that directly on the original data.", it just so happens that data.table has a new feature for this.

install.packages("data.table", repos="http://R-Forge.R-project.org")
# Needs version 1.8.1 from R-Forge.  Soon to be released to CRAN.

数据在 DT 中：

> DT[, countcat:=.N, by=list(country,category)]     # add 'countcat' column
    category country countcat
 1:        1     RUS        3
 2:        2     GER        1
 3:        3     USA        2
 4:        1     RUS        3
 5:        1     USA        1
 6:        1     RUS        3
 7:        3     GER        1
 8:        3     USA        2
 9:        2     RUS        1
10:        2     USA        1

> DT[, weight:=countcat/.N, by=country]     # add 'weight' column
    category country countcat weight
 1:        1     RUS        3   0.75
 2:        2     GER        1   0.50
 3:        3     USA        2   0.50
 4:        1     RUS        3   0.75
 5:        1     USA        1   0.25
 6:        1     RUS        3   0.75
 7:        3     GER        1   0.50
 8:        3     USA        2   0.50
 9:        2     RUS        1   0.25
10:        2     USA        1   0.25

：= 通过引用数据添加一列，并且是旧功能。新功能是它现在可以按组工作。 .N 是一个符号，用于保存每个组中的行数。

:= adds a column by reference to the data and is an 'old' feature. The new feature is that it now works by group. .N is a symbol that holds the number of rows in each group.

这些操作对内存有效，应扩展到大数据；例如， 1e8 ， 1e9 行。

These operations are memory efficient and should scale to large data; e.g., 1e8, 1e9 rows.

如果不想包含中间列 countcat ，只需将其删除即可。同样，这是一个高效的操作，无论表的大小如何（通过在内部移动指针）都可以立即运行。

If you don't wish to include the intermediate column countcat, just remove it afterwards. Again, this is an efficient operation which works instantly regardless of the size of the table (by moving pointers internally).

> DT[,countcat:=NULL]     # remove 'countcat' column
    category country weight
 1:        1     RUS   0.75
 2:        2     GER   0.50
 3:        3     USA   0.50
 4:        1     RUS   0.75
 5:        1     USA   0.25
 6:        1     RUS   0.75
 7:        3     GER   0.50
 8:        3     USA   0.50
 9:        2     RUS   0.25
10:        2     USA   0.25
> 

这篇关于在R数据框中按组应用计算的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！