过滤事务级别数据答案

【问题标题】：Filtering transaction level data过滤事务级别数据
【发布时间】：2019-03-07 08:11:02
【问题描述】：

我正在处理一个包含事务级别数据的数据框。它包含两个字段，bill_id 和 product。

数据代表按账单级别购买的产品，特定的bill_id 重复次数与该账单中购买的产品数量一样多。例如，如果在 bill_id 12345 中购买了 5 件商品，则该账单的数据将如下所示：

bill_id product
  12345       A
  12345       B
  12345       C
  12345       D
  12345       E

我的目标是过滤掉包含某种产品的所有账单数据。

以下是我当前如何执行此任务的示例：

library(dplyr)
set.seed(1)

# Sample data
dat <- data.frame(bill_id = sample(1:500, size = 1000, replace = TRUE),
                  product = sample(LETTERS, size = 1000, replace = 
                  TRUE),
                  stringsAsFactors = FALSE) %>% 
       arrange(bill_id, product)

# vector of bill_ids of product A
bills_productA <- dat %>% 
                  filter(product == "A") %>% 
                  pull(bill_id) %>% 
                  unique()

# data for bill_ids in vector bills_productA
dat_subset <- dat %>%
              filter(bill_id %in% bills_productA)

这导致创建 bill_ids (bills_productA) 的中间向量和两步过滤过程（首先查找包含产品的票据的 id，然后查找这些票据的所有交易）。

有没有更有效的方法来执行这项任务？

【问题讨论】：

标签： r dplyr

【解决方案1】：

data.table 方法：

准备

library(data.table)
setDT(dat)

实际代码

dat[ bill_id %in% dat[ product == "A",][[1]], ]

输出

#    bill_id product
# 1:      14       A
# 2:      14       I
# 3:      19       A
# 4:      19       W
# 5:      22       A
# ---                
# 130:     478       A
# 131:     478       V
# 132:     478       Z
# 133:     494       A
# 134:     494       J

【讨论】：

【解决方案2】：

您可以通过直接子集化 filter bill_id

library(dplyr)
dat_subset1 <- dat %>% filter(bill_id %in% unique(bill_id[product == "A"]))

identical(dat_subset, dat_subset1) 
#[1] TRUE

这在没有unique 的情况下也可以工作，但最好保持列表简短。

【讨论】：

【解决方案3】：

另一种变化：

library(dplyr)
dat_subset2 <- semi_join(dat, filter(dat, product == "A") %>% select(bill_id))

> identical(dat_subset, dat_subset2) 
[1] TRUE

【讨论】：