如何在R中的一个向量中累积添加值答案

【问题标题】：how to cumulatively add values in one vector in R如何在R中的一个向量中累积添加值
【发布时间】：2014-02-20 15:52:08
【问题描述】：

我有一个看起来像这样的数据集

id  name    year    job    job2
1   Jane    1980    Worker  0
1   Jane    1981    Manager 1
1   Jane    1982    Manager 1
1   Jane    1983    Manager 1
1   Jane    1984    Manager 1
1   Jane    1985    Manager 1
1   Jane    1986    Boss    0
1   Jane    1987    Boss    0
2   Bob     1985    Worker  0
2   Bob     1986    Worker  0
2   Bob     1987    Manager 1
2   Bob     1988    Boss    0
2   Bob     1989    Boss    0
2   Bob     1990    Boss    0
2   Bob     1991    Boss    0
2   Bob     1992    Boss    0

这里，job2 表示一个虚拟变量，表示一个人在该年是否为Manager。我想对这个数据集做两件事：首先，我只想保留该人第一次成为Boss 时的行。其次，我想查看一个人作为Manager 的累积年数，并将此信息存储在变量cumu_job2 中。因此我想拥有：

id  name    year    job    job2 cumu_job2
1   Jane    1980    Worker  0   0
1   Jane    1981    Manager 1   1
1   Jane    1982    Manager 1   2
1   Jane    1983    Manager 1   3
1   Jane    1984    Manager 1   4
1   Jane    1985    Manager 1   5
1   Jane    1986    Boss    0   0
2   Bob     1985    Worker  0   0
2   Bob     1986    Worker  0   0
2   Bob     1987    Manager 1   1
2   Bob     1988    Boss    0   0

我已经更改了我的示例并将 Worker 职位包括在内，因为这更多地反映了我想要对原始数据集执行的操作。此线程中的答案仅在数据集中只有 Managers 和 Boss 时才有效 - 所以任何有关使这项工作的建议都会很棒。将不胜感激！！

【问题讨论】：

标签： r row cumulative-sum dplyr

【解决方案1】：

这是针对同一问题的简洁 dplyr 解决方案。

注意：在读取数据时确保stringsAsFactors = FALSE。

library(dplyr)
dat %>%
  group_by(name, job) %>%
  filter(job != "Boss" | year == min(year)) %>%
  mutate(cumu_job2 = cumsum(job2))

输出：

   id name year     job job2 cumu_job2
1   1 Jane 1980  Worker    0         0
2   1 Jane 1981 Manager    1         1
3   1 Jane 1982 Manager    1         2
4   1 Jane 1983 Manager    1         3
5   1 Jane 1984 Manager    1         4
6   1 Jane 1985 Manager    1         5
7   1 Jane 1986    Boss    0         0
8   2  Bob 1985  Worker    0         0
9   2  Bob 1986  Worker    0         0
10  2  Bob 1987 Manager    1         1
11  2  Bob 1988    Boss    0         0

解释

获取数据集
按姓名和工作分组
根据条件过滤每个组
添加cumu_job2 列。

【讨论】：

与data.table可以使用相同的过滤思想：dt[, list(cum_job2=cumsum(job2[job!="Boss" | year==min(year)])), by=c('name', 'job')]
@Ramnath 我想知道为什么这对我不起作用——我无法安装 dplyr 并且 %.% 不是函数。
%.% 是dplyr 中的一个函数。 dplyr 在 CRAN 上，所以使用 install_packages 安装应该很简单。
@Ramnath install.packages 中的警告：包“dplyr”不可用（对于 R 版本 3.0.0）您正在使用哪个 R 版本？
@Ramnath 我也试过 devtools::install_github("hadley/dplyr") 但它说客户端错误：404 未找到

【解决方案2】：

这是使用within 和ave 的基本解决方案。我们假设输入是DF，并且数据按照问题排序。

DF2 <- within(DF, {
    seq = ave(id, id, job, FUN = seq_along)
    job2 = (job == "Manager") + 0
    cumu_job2 = ave(job2, id, job, FUN = cumsum)
})
subset(DF2, job != 'Boss' | seq == 1, select = - seq)

REVISION：现在使用within。

【讨论】：

【解决方案3】：

我认为这可以满足您的需求，尽管数据必须按照您提供的方式进行排序。

my.df <- read.table(text = '
id  name    year    job    job2
1   Jane    1980    Worker  0
1   Jane    1981    Manager 1
1   Jane    1982    Manager 1
1   Jane    1983    Manager 1
1   Jane    1984    Manager 1
1   Jane    1985    Manager 1
1   Jane    1986    Boss    0
1   Jane    1987    Boss    0
2   Bob     1985    Worker  0
2   Bob     1986    Worker  0
2   Bob     1987    Manager 1
2   Bob     1988    Boss    0
2   Bob     1989    Boss    0
2   Bob     1990    Boss    0
2   Bob     1991    Boss    0
2   Bob     1992    Boss    0
', header = TRUE, stringsAsFactors = FALSE)

my.seq <- data.frame(rle(my.df$job)$lengths)

my.df$cumu_job2 <- as.vector(unlist(apply(my.seq, 1, function(x) seq(1,x))))

my.df2 <- my.df[!(my.df$job=='Boss' & my.df$cumu_job2 != 1),]
my.df2$cumu_job2[my.df2$job != 'Manager'] <- 0

   id name year     job job2 cumu_job2
1   1 Jane 1980  Worker    0         0
2   1 Jane 1981 Manager    1         1
3   1 Jane 1982 Manager    1         2
4   1 Jane 1983 Manager    1         3
5   1 Jane 1984 Manager    1         4
6   1 Jane 1985 Manager    1         5
7   1 Jane 1986    Boss    0         0
9   2  Bob 1985  Worker    0         0
10  2  Bob 1986  Worker    0         0
11  2  Bob 1987 Manager    1         1
12  2  Bob 1988    Boss    0         0

【讨论】：

【解决方案4】：

由马修·道尔供稿：

dt[, .SD[job != "Boss" | year == min(year)][, cumjob := cumsum(job2)],
     by = list(name, job)]

解释

获取数据集
运行过滤器并在 Data (.SD) 的每个 S子集内添加一列
按姓名和工作分组

旧版本：

您在这里有两个不同的拆分应用组合。一个获取累积职位，另一个获取第一行boss状态。这是data.table 中的一个实现，我们基本上分别进行每个分析（嗯，有点），然后使用rbind 在一个地方收集所有内容。主要需要注意的是 by=id 部分，这基本上意味着针对数据中的每个 id 分组评估其他表达式，这是您正确指出的尝试中缺少的内容。

library(data.table)
dt <- as.data.table(df)
dt[, cumujob:=0L]  # add column, set to zero
dt[job2==1, cumujob:=cumsum(job2), by=id]  # cumsum for manager time by person 
rbind(
  dt[job2==1],                     # this is just the manager portion of the data
  dt[job2==0, head(.SD, 1), by=id] # get first bossdom row
)[order(id, year)]                 # order by id, year
#       id name year     job job2 cumujob
#   1:  1 Jane 1980 Manager    1       1
#   2:  1 Jane 1981 Manager    1       2
#   3:  1 Jane 1982 Manager    1       3
#   4:  1 Jane 1983 Manager    1       4
#   5:  1 Jane 1984 Manager    1       5
#   6:  1 Jane 1985 Manager    1       6
#   7:  1 Jane 1986    Boss    0       0
#   8:  2  Bob 1985 Manager    1       1
#   9:  2  Bob 1986 Manager    1       2
#  10:  2  Bob 1987 Manager    1       3
#  11:  2  Bob 1988    Boss    0       0

请注意，这假定表格在每个 id 中按年份排序，但如果它不够容易修复。

或者，您也可以通过以下方式实现相同的目的：

ans <- dt[, .I[job != "Boss" | year == min(year)], by=list(name, job)]
ans <- dt[ans$V1]
ans[, cumujob := cumsum(job2), by=list(name,job)]

这个想法基本上是获取条件匹配的行号（使用.I - 内部变量），然后在这些行号上子集dt（$v1 部分），然后只执行累积和。

【讨论】：

非常感谢！我有一个错误 - RHS 类型（'integer'）必须匹配 LHS（'double'）。对于最快的情况，检查和强制会影响性能。要么更改目标列的类型，要么自己强制 := 的 RHS（例如，使用 1L 而不是 1）
这个我不太明白，因为我确实通过 as.integer 命令把 id 和 job2 向量变成了整数向量....
我阅读了stackoverflow.com/questions/16361225/… 并解决了问题 - 只是做了 cumujob:=as.numeric(cumsum(job2)) 代替。
就可读性而言，我会选择：dt[, .SD[job != "Boss" | year == min(year)][, cumjob := cumsum(job2)], by = list(name, job)]
@eddi 嗨——我还有一个问题！因此，如果我有除经理以外的其他职位，我将如何保存所有信息？我没有在我的问题中明确指定这部分，但我认为 dt[job2==1] 这样做会在我的数据集中丢弃大量信息。

【解决方案5】：

@BrodieG 的更好：

数据

dat <- read.table(text="id  name    year    job    job2
1   Jane    1980    Manager 1
1   Jane    1981    Manager 1
1   Jane    1982    Manager 1
1   Jane    1983    Manager 1
1   Jane    1984    Manager 1
1   Jane    1985    Manager 1
1   Jane    1986    Boss    0
1   Jane    1987    Boss    0
2   Bob     1985    Manager 1
2   Bob     1986    Manager 1
2   Bob     1987    Manager 1
2   Bob     1988    Boss    0
2   Bob     1989    Boss    0
2   Bob     1990    Boss    0
2   Bob     1991    Boss    0
2   Bob     1992    Boss    0", header=TRUE)

#代码：

inds1 <- rle(dat$job2)
inds2 <- cumsum(inds1[[1]])[inds1[[2]] == 1] + 1

ends <- cumsum(inds1[[1]])
starts <- c(1, head(ends + 1, -1))
inds3 <- mapply(":", starts, ends)
dat$id <- rep(1:length(inds3), sapply(inds3, length))
dat <- do.call(rbind, lapply(split(dat[, 1:5], dat$id ), function(x) {
    if(x$job2[1] == 0){ 
        x$cumu_job2 <- rep(0, nrow(x))
    } else { 
        x$cumu_job2 <- 1:nrow(x)
    }
    x
}))


keeps <- dat$job2 > 0
keeps[inds2] <- TRUE
dat2 <- data.frame(dat[keeps, ], row.names = NULL)
dat2

##    id name year     job job2 cumu_job2
## 1   1 Jane 1980 Manager    1         1
## 2   1 Jane 1981 Manager    1         2
## 3   1 Jane 1982 Manager    1         3
## 4   1 Jane 1983 Manager    1         4
## 5   1 Jane 1984 Manager    1         5
## 6   1 Jane 1985 Manager    1         6
## 7   2 Jane 1986    Boss    0         0
## 8   3  Bob 1985 Manager    1         1
## 9   3  Bob 1986 Manager    1         2
## 10  3  Bob 1987 Manager    1         3
## 11  4  Bob 1988    Boss    0         0

【讨论】：

猜你反对简洁？
@pssguy 我猜你对礼仪有偏见？不过你的回答很简洁。