在 data.table 中有条件地创建具有增量的列

Question

我有一个包含大约 100 万条记录和 80 列的大型数据集。为了加快处理速度，我使用了 data.table。我需要根据条件创建一个新列，我不知道如何在 data.table 中执行此操作

下面是示例数据的代码：

set.seed(1200)
N_Blocks = 1348
cyc=200
City1 <- vector()
City2 <- vector()
a1 <- vector()
a2 <- vector()

for (a in 1:cyc) {
City1 <- sample(paste("City", formatC(a, width=nchar(cyc), flag="0"), sep=""),N_Blocks,rep=T)
a1 <- sample(0:1,N_Blocks,rep = T)

City2 <- append(City2,City1)
a2 <- append(a2,a1)
}

df1 <- data.frame(City2,a2)

现在的要求是，对于每个城市（目前我们在这个样本数据中有 200 个城市）并且对于 a2 == 1，我需要创建一个新列，它将 1 的总数划分为 12 个月。因此，例如 City001 & a2 == 1 种子为 1200 我得到 671 条记录。所以新列Months需要有代码01-12。因此，a2 == 1 的第一个 56 条记录的代码为 01，然后接下来的 56 条记录的代码为 02，依此类推.....City001 的最后 55 条记录的代码为 a2 == 1 的代码为 12（所以总数添加到 671）。就像在 12 个月内为每个城市拆分 a2 的选择一样。

我们可以从命令中得到选择的城市级别摘要-

table(df1$City2,df1$a2)

我们可以使用 data.table 来实现吗？

Answer 1

使用：

library(data.table)
setDT(df1)[a2 == 1, mon := cut(seq_along(a2), 12, sprintf('%02d',1:12)), by = City2][]

给予：

          City2 a2 mon
     1: City001  1  01
     2: City001  1  01
     3: City001  1  01
     4: City001  1  01
     5: City001  0  NA
    ---               
269596: City200  1  12
269597: City200  0  NA
269598: City200  1  12
269599: City200  1  12
269600: City200  1  12

这是做什么的：

• 使用setDT(df1) 时，data.frame 会转换为 data.table（仍然是 data.frame）。
• 使用a2 == 1 过滤数据并使用by = City2 分组。
• 最后，通过引用为cut 选定的行创建一个新列mon。
• 对于City2 列的每一组，cut 将一个序列（seq_along(a2)；它以1 开始并以组大小结束，即第一组的671）在 12（几乎) 相等的部分。每个部分都有一个相应的标签 (sprintf('%02d',1:12))。有关详细信息，请参阅?cut。

上述方法的缺点是记录数最少的中断不在末尾。可以通过总结结果来展示：

> df1[a2 == 1, .N, by = .(City2,mon)][1:24]
      City2 mon  N
 1: City001  01 56
 2: City001  02 56
 3: City001  03 56
 4: City001  04 56
 5: City001  05 56
 6: City001  06 56
 7: City001  07 55
 8: City001  08 56
 9: City001  09 56
10: City001  10 56
11: City001  11 56
12: City001  12 56
13: City002  01 56
14: City002  02 55
15: City002  03 56
16: City002  04 55
17: City002  05 56
18: City002  06 55
19: City002  07 55
20: City002  08 56
21: City002  09 55
22: City002  10 56
23: City002  11 55
24: City002  12 56

---

要获得最后记录数较少的中断，您可以使用：

setDT(df1)[a2 == 1, mon := cut(seq_along(a2),
                               {n <- .N/12; 
                                br <- c(0, rep(ceiling(n), round((n-floor(n))*12)), rep(floor(n), round((floor(n) - n + 1)*12)));
                                unique(c(cumsum(br),.N))},
                               sprintf('%02d',1:12)),
           by = City2][]

第一个解决方案中的断点数 (12) 被一个断点向量替换，该向量在大括号 ({n <- .N/12 .... unique(c(cumsum(br),.N))}) 之间的部分中分别为每组 City2 计算。这部分计算间隔的方式是观察数不是随机分布在几个月内，而是观察数较少的月份总是在末尾。

除了上面的解释之外，大括号之间的部分做了以下事情：

• 首先将每组中的观察数 (.N) 除以 12。这通常不是整数，而是小数点后的数值。
• rep(ceiling(n), round((n-floor(n))*12)) 计算第一组 (ceiling(n)) 的较高观察次数，并重复一定次数，该次数由 n 的十进制值与 round((n-floor(n))*12) 确定。
• 较小组（中断）的组大小由rep(floor(n), round((floor(n) - n + 1)*12)) 确定，方法类似。 floor(n) 确定组的大小，而round((floor(n) - n + 1)*12) 确定较小的组所需的组数。
• 前两个向量以起始零 (c(0, rep ... )) 放在一起。
• 通过在其上使用 cumsum，您会得到一个以 0 开头的向量，最后添加组大小 (.N)。通过将其包装在 unique 中，您可以确保获得唯一的中断值。这是必需的，因为当 n 是一个完全四舍五入的数字（例如 600/12 的结果）时，最后一个中断值在向量中出现两次。

同样的检查现在表明已经实现了：

> df1[a2 == 1, .N, by = .(City2,mon)][1:24]
      City2 mon  N
 1: City001  01 56
 2: City001  02 56
 3: City001  03 56
 4: City001  04 56
 5: City001  05 56
 6: City001  06 56
 7: City001  07 56
 8: City001  08 56
 9: City001  09 56
10: City001  10 56
11: City001  11 56
12: City001  12 55
13: City002  01 56
14: City002  02 56
15: City002  03 56
16: City002  04 56
17: City002  05 56
18: City002  06 56
19: City002  07 55
20: City002  08 55
21: City002  09 55
22: City002  10 55
23: City002  11 55
24: City002  12 55