使用具有多个折叠函数的数据表聚合 data.frame 行答案

【问题标题】：Aggregate data.frame rows using data table with multiple collapse functions使用具有多个折叠函数的数据表聚合 data.frame 行
【发布时间】：2016-02-26 22:31:00
【问题描述】：

我有一个大的data.frame 这个示例结构：

df <- data.frame(id = rep(c("a","b","c"),4), sex = rep(c("M","F"),6), score = 1:12)

我想通过id 列有效地聚合它并用逗号分隔粘贴唯一的sex 值并保持最大score 值。

如何修改这个data.table 函数来实现：

setDT(df)[, lapply(.SD, function(x) paste(unique(x), collapse = ",")), by = list(id)]

【问题讨论】：

df[, .(unique_sex = toString(unique(sex)), score_max = max(score)), by = id]?
为什么在这里使用 od .SD？在您的真实数据中，您还有其他列吗？
@user1701545，如果这回答了您的问题，请随时自行发布答案。 agstudy 的问题很有道理
agstudy，我正在使用 SD，因为我知道这比 dplyr 选项更有效。除此之外没有什么特别的原因。你有比 SD 更好的解决方案吗？
为什么要以data.frame 开头？就做DT <- data.table(...)

标签： r dataframe data.table aggregate

【解决方案1】：

您确定要使用strsplit 吗？将sex 值保留为list 怎么样？像这样：

df[ , .(list(sex), max(score)), by = id]
#    id      V1 V2
# 1:  a M,F,M,F 10
# 2:  b F,M,F,M 11
# 3:  c M,F,M,F 12

（我们当然可以随意命名列）

关于时间，这里是list 与data.table 中的paste 与dplyr 中的paste，我们看到dplyr 在非平凡大小的数据集上占主导地位：

set.seed(102349)
NN <- 1e6
DT <- data.table(id = sample(c("a","b","c"), NN, TRUE),
                 sex = sample(c("M","F"), NN, TRUE),
                 score = sample(12, NN, TRUE))

library(microbenchmark)

microbenchmark(times = 1000L,
               mikec = DT[ , .(list(unique(sex)), max(score)), by = id],
               mikec_str = DT[ , .(paste(unique(sex), collapse = ","),
                                   score = max(score)), by = id],
               count = DT %>% group_by(id) %>% 
                 summarise(score = max(score), 
                           sex = paste(unique(sex),collapse=",")))
# Unit: milliseconds
#       expr      min       lq     mean   median       uq      max neval cld
#      mikec 20.31309 20.73779 30.47556 21.95649 35.02822 241.6299  1000  a 
#  mikec_str 20.34941 20.76544 32.05443 22.40155 35.32093 325.3754  1000  a 
#      count 27.20780 29.11735 47.38582 42.93207 44.54086 334.8008  1000   b

【讨论】：

【解决方案2】：

你可以试试：

require(dplyr)
df %>% group_by(id) %>% summarise(score = max(score), sex = paste(unique(sex),collapse=","))

【讨论】：

我会，但 data.table 选项要快得多，这对我来说至关重要。
您确定data.table 解决方案更快吗？鉴于您的示例，dplyr 解决方案在我的机器上的速度提高了 10 倍。