如何仅在键值相同并且在连续行中键重复时对行的值求和？

Question

我有一个如下的数据表结构:

+-------------------+
| id  | key | value |
+-----+-----+-------+
| 1   | A   | 1000  |
| 1   | A   | 2000  |
| 1   | B   | 2001  |
| 1   | A   | 2002  |
| 1   | A   | 2004  |
| 2   | B   | 2002  |
| 2   | C   | 2002  |
+-------------------+

我的目标是按照id和key将值进行求和，但是除了仅仅按照id和key进行分组之外，我只想在连续行的id和key相同的情况下才对值进行求和。

结果应该是：

+-------------------+
| id  | key | value |
+-----+-----+-------+
| 1   | A   | 3000  |
| 1   | B   | 2001  |
| 1   | A   | 4006  |
| 2   | B   | 2002  |
| 2   | C   | 2002  |
+-------------------+

有没有办法实现这个结果？

- Zeke

Answer 1

我们可以使用data.table中的rleid函数。

我们将“data.frame”转换为“data.table”。从“key”列创建另一个分组列“ind”。按“id”和“ind”进行分组，得到“value”的总和，并获取“key”的第一个元素。由于预期输出不需要“ind”，因此我们可以将其赋值为NULL。

library(data.table)
setDT(df1)[,list(value = sum(value), key=key[1L]),
                    by = .(ind=rleid(key), id)][, ind:=NULL][]
#   id value key
#1:  1  3000   A
#2:  1  2001   B
#3:  1  4006   A
#4:  2  2002   B
#5:  2  2002   C

或者，如@Frank所建议的那样，我们可以在rleid内使用多个列，将其用作分组变量，获取其他变量的第一个元素和'value'的sum，将不需要的列分配给NULL以避免复制。

setDT(df1)[, list(id=id[1L], key=key[1L], value=sum(value)) ,
        by = .(r=rleid(id, key))][, r:= NULL][]
#   id key value
#1:  1   A  3000
#2:  1   B  2001
#3:  1   A  4006
#4:  2   B  2002
#5:  2   C  2002

---

或者我们可以使用 dplyr。通过比较'key'的相邻元素，我们创建分组变量'ind'，并使用summarise获取'value'的sum和'key'的first元素。

library(dplyr)
df1 %>%
     group_by(ind= cumsum(key!=lag(key, default=TRUE)), id) %>%
     summarise(value=sum(value), key=first(key)) %>% 
     ungroup() %>%
     select(-ind)
#  id value key
#1  1  3000   A
#2  1  2001   B
#3  1  4006   A
#4  2  2002   B
#5  2  2002   C

注意：在dplyr和data.table中，我们还可以将“key”列作为分组变量，并删除key=key[1L]或key=first(key))。

---

或者我们通过创建“ind”列来transform数据集，并使用base R中的aggregate来获得期望的输出。

df1 <- transform(df1, ind = cumsum(c(TRUE,head(key,-1)!=tail(key,-1))))
aggregate(value~., df1, FUN=sum)[-3]
#  id key value
#1  1   A  3000
#2  1   B  2001
#3  1   A  4006
#4  2   B  2002
#5  2   C  2002

数据

df1 <- structure(list(id = c(1L, 1L, 1L, 1L, 1L, 2L, 2L), key = c("A", 
"A", "B", "A", "A", "B", "C"), value = c(1000L, 2000L, 2001L, 
2002L, 2004L, 2002L, 2002L)), .Names = c("id", "key", "value"
), class = "data.frame", row.names = c(NA, -7L))

- akrun

---

你似乎依赖于按id排序？值得一提的是，rleid可以接受两个参数，解决了这个问题：DT[, .(id=id[1],key=key[1],value=sum(value)), by=.(r=rleid(id,key))][,!"r",with=FALSE] - Frank

@Frank 谢谢。我还没有进行基准测试，希望你的方法是高效的。 - akrun

（不是很重要）我没有考虑效率，只是逻辑上的连贯性——将“如果连续行的id和key成对相同”翻译成代码。我不确定它是否应该更有效率。 - Frank