將列與dplyr和/或tidyr合並/排序

Question

編輯：我已經嘗試了下面的解決方案，但是當我需要將因素轉換為字符並轉換回因素時，我會丟失一些重要信息。

有了這張桌子，我希望從中進行排序，

From    To  count
A       B     2
A       C     1
C       A     3
B       C     1

為此，

  From To count
1    A  B     2
2    A  C     4
3    B  C     1

到目前為止，我看到了兩種選擇，或者選擇兩種：

df[1:2] <- t(apply(df[1:2], 1, sort))    
aggregate(count ~ From + To, df, sum)

這很慢，因為我正在處理9.000.000觀測值。 或者只是將其轉換為iGraph網絡，然后合並邊。

g <- graph_from_data_frame(df, directed = TRUE, vertices = nodes)
g <- as.undirected(g, mode = "mutual", edge.attr.comb=list(weight = "sum"))

我遇到的兩個問題是，我提到的第一個選項實際上應該使用dplyr或tidyr，但到目前為止我仍不知道該怎么做。

網絡/ igraph選項比“ t（apply（”選項）要快，但是我仍然需要將圖形轉換回data.table進行進一步分析。

關於如何使用dplyr或tidyr運行“ t（apply（”）選項的任何想法嗎？

Answer 1

在基數R中，我們可以使用非公式接口將akrun的pmin和pmax建議與aggregate結合起來，如下所示：

aggregate(df$count, list(From=pmin(df$From, df$To), To=pmax(df$From, df$To)), sum)
  From To x
1    A  B 2
2    A  C 4
3    B  C 1

請注意，這要求df$From和df$To是字符向量，而不是因子。

時機
此方法比使用apply更快，因為它不涉及轉換為矩陣。 使用下面的較大數據集，有900萬個觀測值，在我的計算機上使用pmin和pmax進行aggregate完成時間為14.5秒，而OP的apply方法花費了442.2秒或30倍。

數據

df <-
structure(list(From = c("A", "A", "C", "B"), To = c("B", "C", 
"A", "C"), count = c(2L, 1L, 3L, 1L)), .Names = c("From", "To", 
"count"), class = "data.frame", row.names = c(NA, -4L))

更大的樣本數據

set.seed(1234)
df <- data.frame(From=sample(LETTERS, 9e6, replace=TRUE),
                 To=sample(LETTERS, 9e6, replace=TRUE),
                 count=sample(100, 9e6, replace=TRUE),
                 stringsAsFactors=FALSE)

Answer 2

我們可以使用pmin/pmax 。 應該更快

library(dplyr)
df1 %>% 
    group_by(From1 = pmin(From, To), To = pmax(From, To)) %>% 
    summarise(count = sum(count)) %>%
    rename(From = From1)
#  From    To count
#  <chr> <chr> <int>
#1     A     B     2
#2     A     C     4
#3     B     C     1

Answer 3

library(tidyverse)
cols_before_merge <- c("From", "To")
out_cols <- c("col_1", "col_2")

df <- tibble::tribble(
  ~From, ~To, ~count,
  "A", "B", 2,
  "A", "C", 1,
  "C", "A", 3,
  "B", "C", 1,
)

有了上述內容，我認為創建唯一鍵的方法可能是：

df_out <- df %>%
  dplyr::mutate(
    key = purrr::pmap_chr(
      list(From, To),
      ~ stringr::str_c(stringr::str_sort(c(...)), collapse = "_")
    )
  )

或者使用整潔的評估來實現更具編程性的方法：

merge_sort <- function(cols_values) {
  purrr::pmap_chr(
    cols_values,
    ~ stringr::str_c(stringr::str_sort(c(...)), collapse = "_")
  )
}

add_key <- function(cols) {
  # column names need to be evaluated using the dataframe as an environment
  cols_quosure <- rlang::enquo(cols)

  # column names should be symbols not strings
  cols_syms <- rlang::syms(cols)

  cols_values <- purrr::map(
    cols_syms,
    ~ rlang::eval_tidy(.x, rlang::quo_get_env(cols_quosure))
  )

  merge_sort(cols_values)
}



# Adding columns for key construction programmatically
df_out <- df %>%
  dplyr::mutate(key = add_key(cols_before_merge))

最后要計數並確保輸出列是因子（因為akrun指出行排序前后的因子水平很容易會有所不同）。

df_out %>%
  dplyr::count(key, name = "count") %>%
  tidyr::separate(key, sep = "_", into = out_cols) %>%
  dplyr::mutate_at(out_cols, as.factor)