【发布时间】:2015-01-26 20:53:27
【问题描述】:
我正在将非结构化数据转换为长格式,并且需要创建一个 ID(分组)变量。我想根据另一个变量中包含的值集分配一个 ID 变量。更具体地说,考虑以下数据集。
set.seed(1234); x.1 <- rep(letters[1:5], 10)
x.2 <- sample(c(0:10), 50, replace=TRUE)
x.3 <- rep(NA, 50); df <- data.frame(x.1, x.2, x.3)
df <- df[-c(2, 19),]
可以从 x.1 变量中识别出一个独特的案例——它以a 开头,以e 结尾。情况总是如此。 x.3 将保存 ID(分组)变量。
> head(df, 9)
x.1 x.2 x.3
a 1 NA
c 6 NA
d 6 NA
e 9 NA
a 7 NA
b 0 NA
c 2 NA
d 7 NA
e 5 NA
对于给定案例,a 和 e 之间的记录数可能会有很大差异(在实际数据文件中)。因此,我无法通过简单地将变量除以固定数量的记录来分配唯一 ID。我想出了如何使用 for 循环进行正确的分配:
START <- which(df$x.1== "a")
END <- which(df$x.1 == "e")
for(i in 1:length(START)){df$x.3[START[i]:END[i]] <- i}
head(df, 9)
x.1 x.2 x.3
a 1 1
c 6 1
d 6 1
e 9 1
a 7 2
b 0 2
c 2 2
d 7 2
e 5 2
这种方法的一个明显问题是对于超过一百万条记录的数据集来说速度太慢了。似乎lapply 可能是另一种选择,但我似乎无法弄清楚如何指定一个案例何时结束以及一个新案例何时开始,因为它遍历数据文件。而且,如果存在一个现有的答案,请随时指出我 - 我没有一个很好的答案!
提前致谢。
【问题讨论】: