匯總分類變量給定值之間的數據

Question

我正在尋找一種聰明快速的方法來匯總數據幀中的數據。 數據和所需的輸出如下所示：

categoriesVector <- c("A", "A", "B", "A", "B", "B", "B", "A", "B")
propertyVector <- 1:length(categoriesVector)
dataVector <- 100 * rev(propertyVector)
df <- data.frame(categoriesVector, propertyVector, dataVector, stringsAsFactors = F)
df

desiredData <- c(700, sum(500, 400, 300), 100)
desiredProperty1 <- c(3, 5, 9)
desiredProperty2 <- c(3, 7, 9)
desiredDF <- data.frame(desiredData, desiredProperty1, desiredProperty2)
desiredDF

基本上，我需要對data求和並在Category A兩次出現之間保留first和last property 。 經過大量的猛烈抨擊，我發現了一個笨拙的解決方案，我希望在清晰度和性能方面尋求改進，最好使用dplyr ：

numRows <- dim(df)[1]
.groupedID <- rep(NA, numRows)
ID <- 1
.groupedID[[1]] <- ifelse(df$categoriesVector[[1]] == "A", 0, ID)
for(i in 2:numRows)
{
  if(df$categoriesVector[i] == "B")
  {
    .groupedID[i] <- ID
    if(df$categoriesVector[i - 1] == "B")
    {
      .groupedID[i] <- .groupedID[i - 1]
    }
    ID <- ID + 1
  } else
  {
    .groupedID[i] <- 0
  }
}

tempDF <- 
  df %>% 
  mutate(ID = .groupedID) %>% 
  filter(ID != 0) %>% 
  group_by(ID) %>% 
  summarise(desiredProperty1 = head(propertyVector, 1),
           desiredProperty2 = tail(propertyVector, 1),
           desiredData = sum(dataVector)) %>% 
  select(desiredData, desiredProperty1, desiredProperty2)
tempDF

Answer 1

您可以使用cumsum()進行分組，然后根據以下內容進行處理：

df %>% mutate(Agroups = cumsum(categoriesVector == "A")) %>%
    filter(categoriesVector == "B") %>%
    group_by(Agroups) %>%
    summarise(propertyStart = min(propertyVector),
              propertyEnd = max(propertyVector),
              dataTotal = sum(dataVector))

# A tibble: 3 x 4
  Agroups propertyStart propertyEnd dataTotal
    <int>         <dbl>       <dbl>     <dbl>
1       2             3           3       700
2       3             5           7      1200
3       4             9           9       100

Answer 2

這是我對data.table 。 首先創建spanNumber變量以標識被“ A”包圍的每個“ B”跨度，然后計算您指定的變量：

library(data.table)
setDT(df)
df[, catShiftConcat := paste0(categoriesVector, shift(categoriesVector, fill = "A"))]
df[categoriesVector == "B", spanNumber := cumsum(catShiftConcat == "BA")]
df[!is.na(spanNumber) , .(desiredData = sum(dataVector), 
     desiredProperty1 = propertyVector[1], 
     desiredProperty2 = propertyVector[.N]), by = spanNumber]
##    spanNumber desiredData desiredProperty1 desiredProperty2
## 1:          1         700                3                3
## 2:          2        1200                5                7
## 3:          3         100                9                9

Answer 3

使用rleid將類別向量的運行分組的另一種data.table方法是

library(data.table)
setDT(df)[, .(categoriesVector,
              desiredData=sum(dataVector),
              desiredProperty1=propertyVector[1],
              desiredProperty2=propertyVector[.N]),
          by=rleid(categoriesVector)
          ][categoriesVector == "B",][, c("rleid", "categoriesVector") := NULL][]

first []的內容返回所需的輸出，並被計算匯總到類別向量的運行中。 第二個鏈通過保留類別向量為B的那些觀察子集。第三個[]除去兩個輔助變量，最后一個[]在那里將結果打印到屏幕上。

這返回

   desiredData desiredProperty1 desiredProperty2
1:         700                3                3
2:        1200                5                7
3:        1200                5                7
4:        1200                5                7
5:         100                9                9