我的数据集的简化版本如下所示:
depth value
1 a
1 b
2 a
2 b
2 b
3 c
我想创建一个新的数据集,对于每个“深度”值,我将拥有从顶部开始的唯一值的累积数量。例如
depth cumsum
1 2
2 2
3 3
关于如何做到这一点的任何想法?我对 R 比较陌生。
我的数据集的简化版本如下所示:
depth value
1 a
1 b
2 a
2 b
2 b
3 c
我想创建一个新的数据集,对于每个“深度”值,我将拥有从顶部开始的唯一值的累积数量。例如
depth cumsum
1 2
2 2
3 3
关于如何做到这一点的任何想法?我对 R 比较陌生。
我发现这是一个仔细使用factor
和设置的完美案例。levels
我将data.table
在这里使用这个想法。确保您的value
列是character
(不是绝对要求)。
第 1 步:通过仅获取行data.frame
来转换为。data.table
unique
require(data.table)
dt <- as.data.table(unique(df))
setkey(dt, "depth") # just to be sure before factoring "value"
第 2 步:转换value
为 afactor
并强制转换为numeric
. 确保自己设置级别(这很重要)。
dt[, id := as.numeric(factor(value, levels = unique(value)))]
第 3 步:将键列设置depth
为子集,然后选择最后一个值
setkey(dt, "depth", "id")
dt.out <- dt[J(unique(depth)), mult="last"][, value := NULL]
# depth id
# 1: 1 2
# 2: 2 2
# 3: 3 3
第 4 步:由于深度增加的行中的所有值都应至少具有前一行的值,因此您应该使用它cummax
来获得最终输出。
dt.out[, id := cummax(id)]
编辑:上面的代码用于说明目的。实际上,您根本不需要第三列。这就是我编写最终代码的方式。
require(data.table)
dt <- as.data.table(unique(df))
setkey(dt, "depth")
dt[, value := as.numeric(factor(value, levels = unique(value)))]
setkey(dt, "depth", "value")
dt.out <- dt[J(unique(depth)), mult="last"]
dt.out[, value := cummax(value)]
这是一个更棘手的示例以及代码的输出:
df <- structure(list(depth = c(1, 1, 2, 2, 3, 3, 3, 4, 5, 5, 6),
value = structure(c(1L, 2L, 3L, 4L, 1L, 3L, 4L, 5L, 6L, 1L, 1L),
.Label = c("a", "b", "c", "d", "f", "g"), class = "factor")),
.Names = c("depth", "value"), row.names = c(NA, -11L),
class = "data.frame")
# depth value
# 1: 1 2
# 2: 2 4
# 3: 3 4
# 4: 4 5
# 5: 5 6
# 6: 6 6
dplyr 尝试。
df %>%
#group_by(group)%>% # if you have a third variable and you want to achieve the same results for each group
mutate(cum_unique_entries = cumsum(!duplicated(value))) %>%
group_by(depth) %>% # add group variable for more layers
summarise(cum_unique_entries = last(cum_unique_entries))
这是另一个尝试:
numvals <- cummax(as.numeric(factor(mydf$value)))
aggregate(numvals, list(depth=mydf$depth), max)
这使:
depth x
1 1 2
2 2 2
3 3 3
它似乎也适用于@Arun的示例:
depth x
1 1 2
2 2 4
3 3 4
4 4 5
5 5 6
6 6 6
这可以通过使用sqldf包的单个 SQL 语句以相对简洁的方式编写。假设DF
是原始数据框:
library(sqldf)
sqldf("select b.depth, count(distinct a.value) as cumsum
from DF a join DF b
on a.depth <= b.depth
group by b.depth"
)
一个好的第一步是创建一个TRUE
or列FALSE
,它TRUE
用于每个值的第一个以及FALSE
该值的以后出现。这可以使用以下方法轻松完成duplicated
:
mydata$first.appearance = !duplicated(mydata$value)
重塑数据最好使用aggregate
. 在这种情况下,它表示对 的first.appearance
每个子集中的列求和depth
:
newdata = aggregate(first.appearance ~ depth, data=mydata, FUN=sum)
结果将如下所示:
depth first.appearance
1 1 2
2 2 0
3 3 1
不过,这仍然不是一个累积总和。为此,您可以使用该cumsum
功能(然后摆脱旧列):
newdata$cumsum = cumsum(newdata$first.appearance)
newdata$first.appearance = NULL
回顾一下:
mydata$first.appearance = !duplicated(mydata$value)
newdata = aggregate(first.appearance ~ depth, data=mydata, FUN=sum)
newdata$cumsum = cumsum(newdata$first.appearance)
newdata$first.appearance = NULL
输出:
depth cumsum
1 1 2
2 2 2
3 3 3
这是另一个使用lapply()
. 使用unique(df$depth)
唯一值的向量,depth
然后对于每个这样的值子集,只有那些value
等于depth
或小于特定depth
值的值。然后计算唯一value
值的长度。此长度值存储在 中cumsum
,然后depth=x
将给出特定深度级别的值。将do.call(rbind,...)
其作为一个数据框。
do.call(rbind,lapply(unique(df$depth),
function(x)
data.frame(depth=x,cumsum=length(unique(df$value[df$depth<=x])))))
depth cumsum
1 1 2
2 2 2
3 3 3