汇总和排名数据框答案

【问题标题】：Summarize and Rank Data Frame汇总和排名数据框
【发布时间】：2013-04-22 13:34:50
【问题描述】：

使用 R，我需要为每个部门支出最多的前 2 名员工构建一个报告，并为该部门的其他员工添加一个“其他”。例如，我需要一份与此类似的报告。

Dept.      EmployeeId     Expense
Marketing       12345         100
Marketing       12346          90
Marketing      Others         200
Sales           12347          50 <-- There's just one employee with expenses
Research        12348        2000
Research        12349         900
Research       Others       10000

换句话说，我需要总结数据，重点关注支出最多的前 2 名员工。费用栏的总和应该是公司的费用总额。

employeIds <- sample(1000:9999, 20)
depts <- sample(c('Sales', 'Marketing', 'Research'), 20, replace = TRUE)
expenses <- sample(1:1000, 20, replace = TRUE)

df <- data.frame(employeIds, depts, expenses)

# Based on that data, how do I build a table with the top 2 employees with the most expenses in each department, including an "Other" employee per department.

我是 R 新手，我不确定如何处理这个问题。在 SQL 中，我本来可以使用 RANK() 函数和 JOIN，但这里不是一个选项。

【问题讨论】：

标签： r dataframe aggregate

【解决方案1】：

这是data.table 解决方案：

创建数据：我还制作了不会发生“其他”的情况（该部门的条目数为：1

set.seed(45)
employeIds <- sample(1000:9999, 20)
depts <- sample(c('Sales', 'Marketing', 'Research'), 20, replace = TRUE)
expenses <- sample(1:1000, 20, replace = TRUE)

df <- data.frame(employeIds, depts, expenses)
df <- df[-c(6,10,12,18,19), ]

data.table 解决方案：

require(data.table)
dt <- data.table(df, key=c("depts", "expenses"))
k <- 2
dt[, if(.N > k) {
        idx <- (seq_len(.N)-1) %/% max(k, (.N - k)) == 1
        list(EmployeeIds = c(employeIds[idx], "Others"), 
           Expenses = c(expenses[idx], sum(expenses[!idx])))
     } else {
        list(EmployeeIds = as.character(employeIds), Expenses = expenses)
     }, by = depts]

#        depts EmployeeIds Expenses
# 1: Marketing        4870      567
# 2: Marketing        3167      591
# 3: Marketing      Others     2285
# 4:  Research        5989      878
# 5:  Research        9667      930
# 6:  Research      Others     1301
# 7:     Sales        6700      129
# 8:     Sales        3857      714

想法：使用key = depts, expenses 创建dt 的第一步确保expenses 按升序排序。然后，根据每个 dept 的条目数，我们要么创建“Others”条目，要么不创建。

【讨论】：

令人印象深刻的答案阿伦！这正是我一直在寻找的！ data.frame 和 date.table 有什么区别？什么代表.N？如果我想要每个部门的前 5 名员工怎么办？非常感谢您的回答！
@Martin，我通过设置与 前 k 名员工 对应的变量 k 修改了答案。您可以将其设置为 2 或 5 以获得适当的结果。 data.table 是一个建立在data.frame 之上的外部包，但是非常快速和高效。你可以先看看vignetteshere

【解决方案2】：

可能不是最优雅的，但它是一个解决方案：

func <- function(data) {
 data1 <- aggregate(data$expenses, list(employeIds=data$employeIds), sum)
 # rank without ties.method = "first" will screw things up with identical values
 data1$employeIds[!(rank(data1$x, ties.method="first") %in% 1:2)] <- 'Others'
 data1 <- aggregate(data.frame(expenses=data1$x), list(employeIds=data1$employeIds), sum)
}

do.call(rbind, by(df, df$depts, func))

【讨论】：

如果两个值相同，rank 没有ties.method = "first" 将给出平均值作为排名。在我的示例df 中，执行以下操作：df$expenses[1] <- 714，然后尝试您的代码。相应地进行了编辑。

【解决方案3】：

另一种data.table 方法（可能更接近您所知道的 SQL 风格）：

dt <- data.table(employeIds, depts, expenses)
dt[, rank:=rank(-expenses), by=depts][,
    list("Expenses"=sum(expenses)),
    keyby=list(depts, "Employee"=ifelse(rank<=2,employeIds,"Other"))
]
       depts Employee Expenses
1: Marketing     6988      986
2: Marketing     7011      940
3: Marketing    Other     2614
4:  Research     2434      763
5:  Research     9852      731
6:  Research    Other     3397
7:     Sales     3120      581
8:     Sales     6069      868

【讨论】：

【解决方案4】：

df <- split(df, df$depts)
df <- lapply(df, FUN=function(x){
  x <- x[order(x$expenses, decreasing=TRUE), ]
  x$total.expenses <- sum(x$expenses)
  x$group <- 1:nrow(x)
  x$group <- ifelse(x$group <= 2, x$group, "Other")
  x
})
df <- do.call(rbind, df)

【讨论】：