[英]more efficient way to recode groups?
我的目標是重新編碼group_old使其看起來像group_desired:
group_old <- c(58,58,57,57,57,56,56,56,59,59,56)
group_desired <- c(1,1,2,2,2,3,3,3,4,4,3)
df <- data.frame(group_old, group_desired)
> df
group_old group_desired
1 58 1
2 58 1
3 57 2
4 57 2
5 57 2
6 56 3
7 56 3
8 56 3
9 59 4
10 59 4
11 56 3
我能夠做到:
codex <- data.frame(old = unique(df$group_old), new = 1:length(unique(df$group_old)))
df$group_new <- sapply(df$group_old, FUN = function(x) codex$new[codex$old == x] )
> df
group_old group_desired group_new
1 58 1 1
2 58 1 1
3 57 2 2
4 57 2 2
5 57 2 2
6 56 3 3
7 56 3 3
8 56 3 3
9 59 4 4
10 59 4 4
11 56 3 3
但是,此代碼在具有800萬個obs和40萬個組的數據集上運行非常緩慢。 是否有一種更有效的方法來完成大數據的相同任務?
使用data.table
:
我們按group_old
,然后按引用創建一個新列。 .GRP
是data.table
的特殊符號。 它是一個簡單的分組計數器。 它將1分配給第一個組,將2分配給第二個..依此類推
group_old <- c(58,58,57,57,57,56,56,56,59,59,56)
df <- data.frame(group_old = group_old)
library(data.table)
setDT(df)[,group_desired := .GRP, by = group_old]
# group_old group_desired
#1: 58 1
#2: 58 1
#3: 57 2
#4: 57 2
#5: 57 2
#6: 56 3
#7: 56 3
#8: 56 3
#9: 59 4
#10: 59 4
#11: 56 3
或使用dplyr
:
df$group_desired <- group_indices(df, group_old)
為了獲得與上述類似的結果,我們首先定義group_old
的因子水平:
df$group_old <- factor(df$group_old, levels = unique(df$group_old))
df$group_desired <- group_indices(df, group_old)
注意 : group_indices
根據升序(如果是數字)或因子級別(如果使用的變量是factor)分配組號。
我不確定性能,但是您可以嘗試從新版本的dplyr軟件包重新編碼:
df$group_desired <-
dplyr::recode(df$group_old, `58` = 1, `57` = 2, `56` = 3, `59` = 4)
更通用的數據表方法。
library(data.table)
dt1 <- data.table(old = LETTERS[1:6], new = 1:6)
set.seed(1234)
dt2 <- data.table(old = sample(LETTERS[1:6], 6, replace = TRUE))
setkey(dt1, old)
setkey(dt2, old)
dt2[dt1]
# old new
# 1: A 1
# 2: B 2
# 3: C 3
# 4: D 4
# 5: D 4
# 6: D 4
# 7: D 4
# 8: E 5
# 9: F 6
我發現了另一種Base R方式,該方式比我原來的要快一些:
df <- within(df, { group_new <- as.numeric(as.factor(df$group_old)) } )
df <- within(df, { group_new <- match(group_new, unique(group_new)) } )
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.