使用ddply将函数应用于一组行

Question

我经常使用ddply，但并不认为自己是专家。我有一个包含分组变量“Group”的数据框(df)，其值为“A”、“B”和“C”，以及要汇总的变量“Var”具有数值。如果我使用

ddply(df, .(Group), summarize, mysum=sum(Var))

然后我获得了每个A、B和C的总和，这是正确的。但我想做的是对数据框中按照Group变量排列的每个组进行求和。例如，如果数据框包含

Group    Var
A        1.3
A        1.2
A        0.4
B        0.3
B        1.3
C        1.5
C        1.7
C        1.9
A        2.1
A        2.4
B        6.7

所期望的结果

A        2.9
B        1.6
C        5.1
A        4.5
B        6.7

所以，所期望的输出对于每个Group变量的分组执行数学函数，而不是在单个Group变量的所有实例上执行。在ddply中是否可以实现？

数据

dat <- structure(list(Group = c("A", "A", "A", "B", "B", "C", "C", "C", "A", "A", "B"),
                      Var = c(1.3, 1.2, 0.4, 0.3, 1.3, 1.5, 1.7, 1.9, 2.1, 2.4, 6.7)),
                 .Names = c("Group", "Var"), class = "data.frame", row.names = c(NA, -11L))

- Joseph Kreke

---

我找到的解决方案是rle()函数。 - Joseph Kreke

Answer 1

这里是一种使用最近实现的rleid()函数从data.table v1.9.6进行操作的方法。请参见#686。

这将生成所需的分组ID：

require(data.table) ## v1.9.6+
DT = as.data.table(dat)
rleid(DT$Group)
# [1] 1 1 1 2 2 3 3 3 4 4 5

我们可以直接使用这个来聚合，方法如下：

DT[, .(sum=sum(Var)), by=.(Group, rleid(Group))]
#    Group rleid sum
# 1:     A     1 2.9
# 2:     B     2 1.6
# 3:     C     3 5.1
# 4:     A     4 4.5
# 5:     B     5 6.7

HTH

- Arun

Answer 2

这里将是等效的基础代码。

dat <- structure(list(Group = c("A", "A", "A", "B", "B", "C", "C", "C", "A", "A", "B"),
                      Var = c(1.3, 1.2, 0.4, 0.3, 1.3, 1.5, 1.7, 1.9, 2.1, 2.4, 6.7)),
                 .Names = c("Group", "Var"), class = "data.frame", row.names = c(NA, -11L))

with(dat, cumsum(c(1L, Group[-length(Group)] != Group[-1])))
# [1] 1 1 1 2 2 3 3 3 4 4 5

作为一个函数

rleid <- function(x) cumsum(c(1L, x[-length(x)] != x[-1]))

(dat <- within(dat, id <- rleid(Group)))
#    Group Var id
# 1      A 1.3  1
# 2      A 1.2  1
# 3      A 0.4  1
# 4      B 0.3  2
# 5      B 1.3  2
# 6      C 1.5  3
# 7      C 1.7  3
# 8      C 1.9  3
# 9      A 2.1  4
# 10     A 2.4  4
# 11     B 6.7  5

根据新变量进行聚合。

aggregate(Var ~ ., dat, sum)
#   Group id Var
# 1     A  1 2.9
# 2     B  2 1.6
# 3     C  3 5.1
# 4     A  4 4.5
# 5     B  5 6.7

相反，你实际上可以使用rle，但它需要原子向量，所以如果你正在使用因子，则需要额外的步骤（即as.vector）

rleid2 <- function(x) {
  x <- as.vector(x)
  rep(seq_along(rle(x)$values), rle(x)$lengths)
}
rleid2(dat$Group)
# [1] 1 1 1 2 2 3 3 3 4 4 5

一些基准测试数据：

set.seed(1)
dat2 <- dat[sample(1:nrow(dat), 1e6, TRUE), ]

identical(data.table::rleid(dat2$Group),
          rleid(dat2$Group))
# [1] TRUE

library('microbenchmark')
microbenchmark(data.table::rleid(dat2$Group),
               rleid(dat2$Group),
               rleid2(dat2$Group), unit = 'relative')


# Unit: relative
#                          expr       min        lq      mean    median        uq       max neval cld
# data.table::rleid(dat2$Group)  1.032777  1.015395  1.005023  1.020923  1.000612 0.8935531   100  a
#             rleid(dat2$Group)  1.000000  1.000000  1.000000  1.000000  1.000000 1.0000000   100  a
#            rleid2(dat2$Group) 35.747987 35.351585 28.600030 34.058992 33.147546 9.8786083   100   b

- rawr