基于共同值合并大数据集中的行

Question

我有 54,000 行和 500 列的数据，但特定列“政策编号”中的许多值具有相同的政策编号，因为数据集包括货币价值发生变化的任何时间（但最重要的 100列具有相同的值）。 （主数据集命名为Home）

数据集示例：

Total Claim    Claim number  Type of Loss   Date  .....  

$45,000          3500           Fire         2001 ....

$45,000          3500           Fire         2002 ....

$45,000          3500           Water        2001 ....

我想要的是将具有相同编号的所有声明连接在一起作为一行，如果一列具有不同的值，则将它们与中间的逗号组合在一起。

我想要的结果示例：

Total Claim    Claim number   Type of Loss   Date.....  

$45,000          3500          Fire, Water    2001, 2002  ...

我尝试过聚合、合并和 rbind，但我认为我编码错误，因为它不起作用。以下是我尝试过的所有不同的代码行。

# Creating a dataset where all the same policy numbers are together

SamePolicy <- aggregate(Home[,3:446], list(Home[,2]), function(x) paste0(unique(x)))
SamePolciy <- merge(data.frame(Home), by="Claim_Number")
SamePolicy <- merge(Home, Home$Total_Claim, by="Claim_Number")
SamePolicy <- aggregate(.~Home$Claim_Number, df, function(x) paste0(unique(x)))

编辑：我有很多列，所以如果可能的话，我不想专门调用每一列来进行编辑？另外，我希望删除列中的重复，所以我只想要 2001,2002 而不是输出 2001,2002,2001。

Answer 1

如果您愿意使用dplyr，这是一种选择。将您不想折叠的列放入group_by，所有剩余的列都将被折叠。

library(dplyr)

df <- tibble(`Total Claim` = rep(45000, 3),
             `Claim number` = rep(3500, 3),
             `Type of Loss` = c('Fire', 'Fire', 'Water'),
             Date = c(2001, 2002, 2001))

df %>%
  group_by(`Total Claim`, `Claim number`) %>%
  summarize_all(.funs = function(X) paste(unique(X), collapse = ','))

编辑：使用列索引号而不是完整的列名添加一个选项

df %>%
  group_by_at(c(1, 2)) %>%
  summarize_all(.funs = function(X) paste(unique(X), collapse = ','))

Answer 2

这是一个可能的data.table 解决方案：

library(data.table)

setDT(df)

df[ , .(`Total Claim` = mean(`Total Claim`),
        `Type of Loss` = paste(unique(`Type of Loss`), collapse = ","), 
        Date = paste(unique(Date), collapse = ",")), by = `Claim number`]

不清楚您是否希望用逗号分隔不同的货币值，或者您是否希望 Total Claim 的值在 Claim number 中相同。如果值应该相同，则平均值将返回正确的结果。

这给了我们：

   Claim number Total Claim Type of Loss      Date
1:         3500       45000   Fire,Water 2001,2002

数据：

df <- tribble(
  ~`Total Claim`,    ~"Claim number",  ~"Type of Loss",   ~Date,  

45000,          3500,           "Fire",         2001, 

45000,          3500,           "Fire",         2002,

45000,          3500,           "Water",        2001 
)