在聚合和汇总其他列时保留特定列数据

Question

我是 R 新手，正在使用一家中型零售店的交易数据进行练习。我想创建一个数据框，其中包含每个客户在不同类别产品中的购买百分比，以及他们的总购买量。通过这种方式，我们可以向在特定类别中具有明显偏好的人发送营销电子邮件，但排除购买次数少于五次的人。

示例数据（除了现实中的近 100 个类别和大约 250,000 行）：

+-------------+-------------+--------------------+------+------+------+
| Transaction | Customer_ID | Email              | Cat1 | Cat2 | Cat3 |
+-------------+-------------+--------------------+------+------+------+
| 55          | 1           | email@address.com  | 1    | 0    | 0    |
| 55          | 1           | email@address.com  | 1    | 0    | 0    |
| 56          | 2           | email2@address.com | 0    | 0    | 2    |
| 57          | 3           | email3@address.com | 3    | 0    | 0    |
+-------------+-------------+--------------------+------+------+------+

第 1 步：按客户 ID 汇总，我使用了以下代码：

segmented <- aggregate(df[4:6], list(Customer_ID=orders$Customer_ID), FUN = sum)    

第 2 步：为了将这些汇总数字转换为百分比，我使用了以下代码：

segmented_percentage <- cbind(id = segmented[, 1], segmented[, -1]/rowSums(segmented[, -1])*100)

但是，我在第 1 步中丢失了电子邮件地址，当我尝试将数据框与以下内容合并时，它从未完成处理（我已经等了几个小时）。

merge(segmented_percentage, df)

简而言之：我如何将这么多部分重新组合在一起以获取具有明显偏好和总购买量的电子邮件？

（非常感谢 Stack Overflow 的所有其他答案。我在上面所做的完全是谷歌搜索的结果，并在这里找到了好的答案。）

Answer 1

我们也可以使用Email 作为分组变量，在“segmented”中获取“Email”列，假设特定的“Customer_ID”具有相同的“Email”。

segmented <- aggregate(.~Customer_ID+Email, df1[-1], FUN=sum)

如果我们想在原始数据集中创建列，请使用 mutate from library(dplyr)

library(dplyr)
df2 <- df1 %>% 
         group_by(Customer_ID) %>% 
         mutate_each(funs(sum= sum(., na.rm=TRUE)), starts_with('Cat'))

我们从“Cat”列中获取百分比，并分配输出以用百分比替换列。

ind <- grep('Cat', names(df2))
df2[ind] <- df2[ind]/rowSums(df2[ind])*100

或者我们可以使用prop.table 和margin=1

df2[ind] <-  100*prop.table(as.matrix(df2[ind] ), 1)

---

我们也可以使用data.table 来做到这一点。我们将“data.frame”转换为“data.table”（setDT(df1)），将我们要更改的列的class更改为numeric（lapply(.SD, as.numeric)）。可以在 .SDcols 中指定要选择的列，我们可以将输出分配 (:=) 回具有数字列索引的列。按“Customer_ID”分组，我们使用lapply 遍历列4:6 并获得sum。我们使用Reduce 和+ 对lapply 输出进行元素求和（类似于rowSums），将sum 除以Reduce 内的Reduce 输出并分配输出到 4:6 列。

library(data.table)
 setDT(df1)[, (4:6) := lapply(.SD, as.numeric), .SDcols=4:6][,
   (4:6) := {tmp <- lapply(.SD, sum, na.rm=TRUE)
             Map(f1, tmp, Reduce(`+`, tmp))}, by = Customer_ID, .SDcols=4:6]

数据

df1 <- structure(list(Transaction = c(55L, 55L, 56L, 57L), 
Customer_ID = c(1L, 
1L, 2L, 3L), Email = c("email@address.com", "email@address.com", 
"email2@address.com", "email3@address.com"), Cat1 = c(1L, 1L, 
0L, 3L), Cat2 = c(0L, 0L, 0L, 0L), Cat3 = c(0L, 0L, 2L, 0L)),
.Names = c("Transaction", 
"Customer_ID", "Email", "Cat1", "Cat2", "Cat3"), 
 class = "data.frame", row.names = c(NA,  -4L))