19

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。

4

6 回答 6

14

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.tableunique

    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
于 2013-03-29T09:43:27.083 回答
9

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))
于 2018-09-01T20:43:20.860 回答
8

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
于 2013-03-29T10:19:54.313 回答
5

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"
)
于 2013-03-29T15:03:14.790 回答
5

一个好的第一步是创建一个TRUEor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
于 2013-03-29T06:37:44.953 回答
1

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
于 2013-03-29T06:45:31.463 回答