3

我已经尝试学习 R 有一段时间了，但我的知识还没有达到一个不错的水平。我最终会到达那里，但我现在处于紧要关头，想知道你是否可以帮我做一个快速的“转换”类型的作品。

我有一个包含 1800 万行的 csv 数据文件，其中包含以下数据字段：人员 ID、日期和值。它基本上来自一个模拟模型，正在模拟一个人对其储蓄账户的贡献，例如：

1,28/02/2013,19.49
2,13/03/2013,16.68
3,15/03/2013,20.34
2,10/01/2014,28.43
3,12/06/2014,38.13
1,29/08/2014,68.46
1,20/12/2013,20.51

因此，如您所见，数据中可以有多个 ID，但每个人的每个日期和贡献金额都是唯一的。

我想改变这个，所以我有每个人每年的贡献历史。因此，例如上面将变为：

ID,2013,2014
1,40.00,68.46
2,16.68,28.43
3,20.34,38.13

我有一个粗略的想法，我可以如何解决这个问题：创建另一列仅包含年份的数据，然后按 ID 和年份进行汇总，以将适合每个 ID/年份桶的所有贡献相加。我只是不知道如何开始将其翻译成 R 脚本。

任何指针/指导将不胜感激。

非常感谢和亲切的问候。

4

2 回答 2

7

这里有几种可能性：

zoo包 read.zoo中的zoo包可以产生一个多变量时间序列，每个系列一列，即每个ID一列。我们定义yr从索引列中获取年份，然后在split=我们读入时使用参数拆分 ID。我们用于aggregate=sum聚合剩余的列——这里只有一个。我们使用 text = Lines 来保持下面的代码自包含，但如果使用真实文件，我们会用 . 替换它"myfile"。最后一行转置了结果。如果可以将人员放在列而不是行中，我们可以删除该行。

Lines <- "1,28/02/2013,19.49
2,13/03/2013,16.68
3,15/03/2013,20.34
2,10/01/2014,28.43
3,12/06/2014,38.13
1,29/08/2014,68.46
1,20/12/2013,20.51
"
library(zoo)

# given a Date string, x, output the year
yr <- function(x) floor(as.numeric(as.yearmon(x, "%d/%m/%Y")))

# read in data, reshape & aggregate
z <- read.zoo(text = Lines, sep = ",", index = 2, FUN = yr,  
   aggregate = sum, split = 1)     

# transpose (optional)  
tz <- data.frame(ID = colnames(z), t(z), check.names = FALSE)

通过发布的数据，我们得到以下结果：

> tz
  ID  2013  2014
1  1 40.00 68.46
2  2 16.68 28.43
3  3 20.34 38.13

参见?read.zoo和zoo-read小插图。

reshape2 包这是使用 reshape2 包的第二种解决方案：

library(reshape2)

# read in and fix up column names and Year

DF <- read.table(text = Lines, sep = ",") ##
colnames(DF) <- c("ID", "Year", "Value") ##
DF$Year <- sub(".*/", "", DF$Year) ##

dcast(DF, ID ~ Year, fun.aggregate = sum, value.var = "Value")

结果是：

  ID  2013  2014
1  1 40.00 68.46
2  2 16.68 28.43
3  3 20.34 38.13

reshape function这是一个不使用任何插件包的解决方案。首先使用最后一个解决方案中标记为## 的三行读取数据。这将产生DF. 然后聚合数据，将其从长形改成宽形，最后修复列名：

Ag <- aggregate(Value ~., DF, sum)
res <- reshape(Ag, direction = "wide", idvar = "ID", timevar = "Year")
colnames(res) <- sub("Value.", "", colnames(res))

产生这个：

> res
  ID  2013  2014
1  1 40.00 68.46
2  2 16.68 28.43
3  3 20.34 38.13

点击功能。此解决方案也不使用插件包。使用Ag上一个解决方案试试这个：

tapply(Ag$Value, Ag[1:2], sum)

更新：小改进和 3 个附加解决方案。

于 2013-04-14T11:39:41.753 回答
3

您描述的方法是一种合理的方法。可以使用strptimeand strftime( _ _ _ _一：as.POSIXctyeardata.tablebyddply

library(plyr)
ddply(df, .(ID, year), summarise, total_per_year = sum(value))

这假定您的基准日期在 中df，并且您的数据中的列称为year,ID和value。请注意，对于大型数据集ddply可能会变得非常慢。如果你真的需要原始性能，你肯定想开始使用data.table.

于 2013-04-14T11:25:06.987 回答