按组添加ID列[重复]答案

【问题标题】：Add ID column by group [duplicate]按组添加ID列[重复]
【发布时间】：2012-11-14 00:44:34
【问题描述】：

我想根据经纬度两列在 R 中创建一个唯一 ID，以便重复的位置具有相同的集群 ID。

例如：

LAT        LONG    Cluster_ID
13.5330 -15.4180   1
13.5330 -15.4180   1
13.5330 -15.4180   1
13.5330 -15.4180   1
13.5330 -15.4170   2
13.5330 -15.4170   2
13.5330 -15.4170   2
13.5340 -14.9350   3
13.5340 -14.9350   3
13.5340 -15.9170   4
13.3670 -14.6190   5

【问题讨论】：

标签： r validation unique

【解决方案1】：

这是使用interaction 的一种方式。

d <- read.table(text='LAT LONG
13.5330 -15.4180 
13.5330 -15.4180 
13.5330 -15.4180 
13.5330 -15.4180 
13.5330 -15.4170 
13.5330 -15.4170 
13.5330 -15.4170 
13.5340 -14.9350 
13.5340 -14.9350 
13.5340 -15.9170 
13.3670 -14.6190', header=TRUE)

d <- transform(d, Cluster_ID = as.numeric(interaction(LAT, LONG, drop=TRUE)))

#       LAT    LONG Cluster_ID
# 1  13.533 -15.418          2
# 2  13.533 -15.418          2
# 3  13.533 -15.418          2
# 4  13.533 -15.418          2
# 5  13.533 -15.417          3
# 6  13.533 -15.417          3
# 7  13.533 -15.417          3
# 8  13.534 -14.935          4
# 9  13.534 -14.935          4
# 10 13.534 -15.917          1
# 11 13.367 -14.619          5

编辑：纳入@Spacedman 的建议，将drop=TRUE 提供给interaction。

【讨论】：

将 drop=TRUE 添加到您的 interaction 呼叫中将为您提供从 1 到 5 的数字，而不是您在此处看到的随机代码。
好的，我还有一个问题。我的数据应该有 1990:2010 的年份，但对于大多数集群来说，缺少一些年份。我希望 R 搜索缺少的内容，然后填写它们。此外，我还想为响应变量创建 NA，并在已创建的新案例中复制其他变量。如果可以的话，请帮忙。谢谢，琼斯
@user1835888 评论不是最好的提问地方。使用可重现的示例发布另一个问题，展示您尝试过的内容，有人会帮助您。

【解决方案2】：

数据：

dat <- read.table(text="
LAT        LONG
13.5330 -15.4180
13.5330 -15.4180
13.5330 -15.4180
13.5330 -15.4180
13.5330 -15.4170
13.5330 -15.4170
13.5330 -15.4170
13.5340 -14.9350
13.5340 -14.9350
13.5340 -15.9170
13.3670 -14.6190", header = TRUE)

这些命令创建一个以1开头的id变量：

comb <- with(dat, paste(LAT, LONG))
within(dat, Cluster_ID <- match(comb, unique(comb)))

输出：

      LAT    LONG Cluster_ID
1  13.533 -15.418          1
2  13.533 -15.418          1
3  13.533 -15.418          1
4  13.533 -15.418          1
5  13.533 -15.417          2
6  13.533 -15.417          2
7  13.533 -15.417          2
8  13.534 -14.935          3
9  13.534 -14.935          3
10 13.534 -15.917          4
11 13.367 -14.619          5

【讨论】：

【解决方案3】：

.GRP 已添加到 data.table 1.8.3，允许您执行以下操作：

# Your data, as a data.frame
dat <- read.table(text='LAT LONG
13.5330 -15.4180 
13.5330 -15.4180 
13.5330 -15.4180 
13.5330 -15.4180 
13.5330 -15.4170 
13.5330 -15.4170 
13.5330 -15.4170 
13.5340 -14.9350 
13.5340 -14.9350 
13.5340 -15.9170 
13.3670 -14.6190', header=TRUE)

# Convert it to a data.table
# with keys as the combination of LAT and LONG
library(data.table)
DT <- data.table(dat, key="LAT,LONG")
DT[, Cluster_ID:=.GRP, by=key(DT)]
DT
#        LAT    LONG Cluster_ID
#  1: 13.367 -14.619          1
#  2: 13.533 -15.418          2
#  3: 13.533 -15.418          2
#  4: 13.533 -15.418          2
#  5: 13.533 -15.418          2
#  6: 13.533 -15.417          3
#  7: 13.533 -15.417          3
#  8: 13.533 -15.417          3
#  9: 13.534 -15.917          4
# 10: 13.534 -14.935          5
# 11: 13.534 -14.935          5

【讨论】：

感谢大家的回复。他们工作得很好，这为我节省了很多时间。创建一个唯一的 id 后，我想做的下一件事是复制一些字段并为其他字段创建 NA。我的数据以年为单位，并非所有集群都有所有年份的数据，所以首先我想为所有 id 填补缺失的年份（1990:2010）。然后填写我添加年份的其余字段，并为我想要预测的其他字段创建 NA。

【解决方案4】：

比较性能建议的解决方案：

df <- read.table(text='LAT LONG
13.5330 -15.4180 
13.5330 -15.4180 
13.5330 -15.4180 
13.5330 -15.4180 
13.5330 -15.4170 
13.5330 -15.4170 
13.5330 -15.4170 
13.5340 -14.9350 
13.5340 -14.9350 
13.5340 -15.9170 
13.3670 -14.6190', header=TRUE)
f1 <- function(df, cols) {
    df$id <- as.numeric(interaction(df[cols], drop = TRUE))
    df
}
f2 <- function(df, cols) {
    comb <- do.call(paste, c(as.list(df[cols]), sep = "."))
    df$id <- match(comb, unique(comb))
    df
}
f2(df, 1:2)
#>       LAT    LONG id
#> 1  13.533 -15.418  1
#> 2  13.533 -15.418  1
#> 3  13.533 -15.418  1
#> 4  13.533 -15.418  1
#> 5  13.533 -15.417  2
#> 6  13.533 -15.417  2
#> 7  13.533 -15.417  2
#> 8  13.534 -14.935  3
#> 9  13.534 -14.935  3
#> 10 13.534 -15.917  4
#> 11 13.367 -14.619  5
microbenchmark::microbenchmark(f1(df, 1:2), f2(df, 1:2))
#> Unit: microseconds
#>         expr     min      lq      mean   median       uq      max neval cld
#>  f1(df, 1:2) 486.400 510.422 575.26659 573.3945 594.1165 1622.243   100   b
#>  f2(df, 1:2)  72.952  79.208  86.09265  83.5275  89.7195  159.740   100  a

【讨论】：