嵌套小标题并使用 group_by 对每个小标题执行计算答案

【问题标题】：Nesting tibbles and performing calculations on each with a group_by嵌套小标题并使用 group_by 对每个小标题执行计算
【发布时间】：2020-02-18 10:02:03
【问题描述】：

我想找出每个 id_b 的主要类别是什么。要计算它，我需要找出每个 id_b 的每个 class 的 size 总和。无论哪个类最大，都是分配给 id_b 的新主导类。

下面的脚本做了我想做的事，但感觉很笨重而且过于复杂。我以前很少使用嵌套数据，所以我不确定我是否使用了最好的方法谁能想到在 tidyverse 或 data.table 中实现相同输出的更简洁的方法？

谢谢！

library(tidyverse)

# sample data
set.seed(123)
input <- tibble(id_a = c(letters[seq(1,10)]),
                size = runif(10, min = 10, max = 50),
                class = c("x","x","y","x","y",
                          "y","x","y","x","x"),
                id_b = c("A1","A1","B1","B1","B1",
                         "C1","C1","C1","D1","E1"))
print(input)

   id_a   size class id_b 
   <chr> <dbl> <chr> <chr>
 1 a      23.6 x     A1   
 2 b      43.6 x     A1   
 3 c      23.9 y     B1   
 4 d      23.4 x     B1   
 5 e      29.1 y     B1   
 6 f      45.7 y     C1   
 7 g      44.6 x     C1   
 8 h      25.6 y     C1   
 9 i      41.1 x     D1   
10 j      48.4 x     E1

# nest input to create a nested tibble for each id_b
input_nest <- input %>% group_by(id_b) %>% nest()

# calculate dominant class
input_nest_dominant <- input_nest %>% mutate(DOMINANT_CLASS = lapply(data, function(x){
  # group each nested tibble by class, and calculate total size. Then find the biggest size and extract 
  # the class value
  output <- x %>% group_by(class) %>% 
            summarise(total_size = sum(size)) %>% 
            top_n(total_size, n = 1) %>% 
            pull(class)
  return(output)
} ))

# unnest to end up with a tibble
input_nest_dominant_clean <- input_nest_dominant %>% 
                             unnest(cols = c(DOMINANT_CLASS)) %>% 
                             select(-data) %>% 
                             ungroup()


print(input_nest_dominant_clean)

  id_b  DOMINANT_CLASS
  <chr> <chr>         
1 A1    x             
2 B1    y             
3 C1    y             
4 D1    x             
5 E1    x

【问题讨论】：

标签： r tidyverse

【解决方案1】：

在这个例子中，您根本不需要nest，只需使用group_by 和summarize 计算即可。


input %>%
  group_by(id_b, class) %>%
  summarize(size = sum(size)) %>%
  group_by(id_b) %>%
  summarize(DOMINANT_CLASS = class[which.max(size)])
#> # A tibble: 5 x 2
#>   id_b  DOMINANT_CLASS
#>   <chr> <chr>         
#> 1 A1    x             
#> 2 B1    y             
#> 3 C1    y             
#> 4 D1    x             
#> 5 E1    x

【讨论】：

嗯，这很明显......谢谢！

【解决方案2】：

这是一个基本的 R 解决方案，它使用了两次aggregate，即，

agg <-aggregate(size ~ class + id_b, input, FUN = sum)
output <- aggregate(agg[-2],agg[2],FUN = max)[-3]

或更紧凑的版本

output <- aggregate(.~id_b,
                    aggregate(size ~ class + id_b, 
                              input, 
                              FUN = function(v) sum(v)),
                    FUN = function(v) tail(sort(v),1))[-3]

这样

> output
  id_b class
1   A1     x
2   B1     y
3   C1     y
4   D1     x
5   E1     x

【讨论】：

【解决方案3】：

您可以只进行 1 次排序，并删除所有重复项。比如：

input %>% arrange(desc(size)) %>% filter(!duplicated(id_b)) %>% arrange(id_b)

# A tibble: 5 x 4
  id_a   size class id_b 
  <chr> <dbl> <chr> <chr>
1 b      41.5 x     A1   
2 e      47.6 y     B1   
3 h      45.7 y     C1   
4 i      32.1 x     D1   
5 j      28.3 x     E1

如果 id_b 的顺序不重要，可以省略最后的arrange

或者在基础 R 中：

input = input[order(-input$size),]
input[!duplicated(input$id_b),]

【讨论】：