9

我有一个如下的数据框。它按列排序time。

输入 -

df = data.frame(time = 1:20,
            grp = sort(rep(1:5,4)),
            var1 = rep(c('A','B'),10)
            )

head(df,10)
   time grp var1
1   1   1    A
2   2   1    B
3   3   1    A
4   4   1    B
5   5   2    A
6   6   2    B
7   7   2    A
8   8   2    B
9   9   3    A
10 10   3    B

我想创建另一个变量var2，它计算var1到目前为止没有不同的值，即直到time每个组的那个点grp。这与我使用n_distinct.

预期产出 -

   time grp var1 var2
1   1   1    A    1
2   2   1    B    2
3   3   1    A    2
4   4   1    B    2
5   5   2    A    1
6   6   2    B    2
7   7   2    A    2
8   8   2    B    2
9   9   3    A    1
10 10   3    B    2

我想为此创建一个函数cum_n_distinct并将其用作-

d_out = df %>%
  arrange(time) %>%
  group_by(grp) %>%
  mutate(var2 = cum_n_distinct(var1))
4

4 回答 4

8

dplyr受@akrun 回答启发的解决方案-

这个逻辑基本上是为每个组设置每个唯一值var1to1和 rest to的第一次出现，然后应用于它 -0grpcumsum

df = df %>%
  arrange(time) %>%
  group_by(grp,var1) %>%
  mutate(var_temp = ifelse(row_number()==1,1,0)) %>%
  group_by(grp) %>%
  mutate(var2 = cumsum(var_temp)) %>%
  select(-var_temp)

head(df,10)

Source: local data frame [10 x 4]
Groups: grp

   time grp var1 var2
1     1   1    A    1
2     2   1    B    2
3     3   1    A    2
4     4   1    B    2
5     5   2    A    1
6     6   2    B    2
7     7   2    A    2
8     8   2    B    2
9     9   3    A    1
10   10   3    B    2
于 2014-08-28T18:33:24.143 回答
7

假设东西已经按顺序排序time，首先定义一个累积的不同函数：

dist_cum <- function(var)
  sapply(seq_along(var), function(x) length(unique(head(var, x))))

然后是ave用于创建组的基本解决方案（注意，假设var1是因素），然后将我们的函数应用于每个组：

transform(df, var2=ave(as.integer(var1), grp, FUN=dist_cum))

一个data.table解决方案，基本上做同样的事情：

library(data.table)
(data.table(df)[, var2:=dist_cum(var1), by=grp])

而且dplyr，同样的事情：

library(dplyr)
df %>% group_by(grp) %>% mutate(var2=dist_cum(var1))
于 2014-08-28T18:20:39.740 回答
2

尝试：

更新

使用您的新数据集，基础 R 中的一种方法

  df$var2 <-  unlist(lapply(split(df, df$grp),
              function(x) {x$var2 <-0
               indx <- match(unique(x$var1), x$var1)
               x$var2[indx] <- 1
               cumsum(x$var2) }))

  head(df,7)
  #   time grp var1 var2
  # 1    1   1    A    1
  # 2    2   1    B    2
  # 3    3   1    A    2
  # 4    4   1    B    2
  # 5    5   2    A    1
  # 6    6   2    B    2
  # 7    7   2    A    2
于 2014-08-28T16:30:02.097 回答
1

这是另一个使用 data.table 的解决方案，非常快。

通用函数

cum_n_distinct <- function(x, na.include = TRUE){
  # Given a vector x, returns a corresponding vector y
  # where the ith element of y gives the number of unique
  # elements observed up to and including index i
  # if na.include = TRUE (default) NA is counted as an 
  # additional unique element, otherwise it's essentially ignored

  temp <- data.table(x, idx = seq_along(x))
  firsts <- temp[temp[, .I[1L], by = x]$V1]
  if(na.include == FALSE) firsts <- firsts[!is.na(x)]
  y <- rep(0, times = length(x))
  y[firsts$idx] <- 1
  y <- cumsum(y)

  return(y)
}

示例使用

cum_n_distinct(c(5,10,10,15,5))  # 1 2 2 3 3
cum_n_distinct(c(5,NA,10,15,5))  # 1 2 3 4 4
cum_n_distinct(c(5,NA,10,15,5), na.include = FALSE)  # 1 1 2 3 3

解决您的问题

d_out = df %>%
  arrange(time) %>%
  group_by(grp) %>%
  mutate(var2 = cum_n_distinct(var1))
于 2019-12-04T19:29:32.963 回答