根据键计算多行中的标志答案

【问题标题】：Count flags across multiple rows depending on key根据键计算多行中的标志
【发布时间】：2015-11-18 21:21:23
【问题描述】：

我有一个由客户和帐户组成的数据集，其中一个客户可以拥有多个帐户。数据集在每个帐户上都有几个“标志”。

我正在尝试计算每个客户对这些标志的“唯一”点击次数，即如果 3 个帐户有 flag1，我希望这算作 1 次点击，但如果只有一个帐户也有 flag2，我想要这个计为 2。本质上，我想查看每个客户在其所有帐户中点击了多少个标志。

Example Input data frame:
    cust  acct flag1 flag2 flag3
    a     123    0    1      0
    a     456    1    1      0
    b     789    1    1      1
    c     428    0    1      0
    c     247    0    1      0
    c     483    0    1      1
Example Output dataframe:
    cust  acct flag1 flag2 flag3 UniqueSum
    a     123    0    1      0      2
    a     456    1    1      0      2
    b     789    1    1      1      3
    c     428    0    1      0      2
    c     247    0    1      0      2
    c     483    0    1      1      2

我尝试使用以下方法：

fSumData <- ddply(fData, "cust", numcolwise(sum, c(flag1,flag2,flag3))

但是这也将acct 列相加，给每个客户一行我希望与客户拥有帐户的行数相同。

【问题讨论】：

标签： r unique counting

【解决方案1】：

使用data.table：

require(data.table) # v1.9.6
dt[, un := sum(sapply(.SD, max)), by = cust, .SDcols = flag1:flag3]

我们按cust 分组，并在每个组的子数据 上为flag1, flag2, flag3 列（使用.SD 和.SDcols 实现）提取每列的max，然后总结起来将给出1 的总数。

我们使用LHS := RHS 表示法通过引用使用这些值更新原始表（请参阅Reference Semantics vignette）。

dt 在哪里：

dt = fread('cust  acct flag1 flag2 flag3
a     123    0    1      0
a     456    1    1      0
b     789    1    1      1
c     428    0    1      0
c     247    0    1      0
c     483    0    1      1')

【讨论】：

【解决方案2】：

我想到的一种方法是为每个cust colSum 并检查哪些大于0。例如，

> tab
  cust acct flag1 flag2 flag3
1    a  123     0     1     0
2    a  456     1     1     0
3    b  789     1     1     1
4    c  428     0     1     0
5    c  247     0     1     0
6    c  483     0     1     1
> uniqueSums <- sapply(tab$cust, function(cust) length(which(colSums(tab[tab$cust == cust,3:5]) > 0)))
> cbind(tab, uniqueSums = uniqueSums)
  cust acct flag1 flag2 flag3 uniqueSums
1    a  123     0     1     0          2
2    a  456     1     1     0          2
3    b  789     1     1     1          3
4    c  428     0     1     0          2
5    c  247     0     1     0          2
6    c  483     0     1     1          2

对于cust 的每个值，sapply 中的函数查找行，进行矢量化求和并检查大于 0 的值。

【讨论】：

这行得通，但确实花了一些时间来运行，我能够通过使用上面提到的 ddply 包然后将 if/else 语句的结果相加，当每个标志中的值 >= 1。我已经用我的解决方案编辑了我的帖子，非常感谢你的帮助！
您可以使用 mclapply 来并行化 sapply

【解决方案3】：

这是一种使用library(dplyr)的方法：

df %>% 
  group_by(cust) %>% 
  summarise_each(funs(max), -acct) %>% 
  mutate(UniqueSum = rowSums(.[-1])) %>% 
  select(-starts_with("flag")) %>% 
  right_join(df, "cust")

#Source: local data frame [6 x 6]
#
#    cust UniqueSum  acct flag1 flag2 flag3
#  (fctr)     (dbl) (int) (int) (int) (int)
#1      a         2   123     0     1     0
#2      a         2   456     1     1     0
#3      b         3   789     1     1     1
#4      c         2   428     0     1     0
#5      c         2   247     0     1     0
#6      c         2   483     0     1     1

【讨论】：

【解决方案4】：

阅读 Roman 的帖子后，我能够回答自己的问题，我做了类似的事情，其中 f 数据是我的数据集。

fSumData <- ddply(fData, "cust", numcolwise(sum))
fSumData$UniqueHits <- ifelse(fSumData$flag1 >= 1;1,0) + ifelse(fSumData$flag2 >= 1;1;0) + ifelse(fSumData$flag3 >= 1;1;0)

在针对我的数据集运行时，我发现这比 Roman 的解决方案要快一些，但不确定它是否是最佳解决方案。感谢大家的投入，这对您有很大帮助！

【讨论】：

【解决方案5】：

未充分利用的rowsum 也可能有用：

rowSums(rowsum(DF[-(1:2)], DF$cust) > 0)[DF$cust]
#a a b c c c 
#2 2 3 2 2 2

【讨论】：