代码之家 › 专栏 › 技术社区 › C8H10N4O2

在data.table中按组计数快速前n位

greatest-n-per-group data.table count r

C8H10N4O2 · 技术社区 · 7 年前

我想知道 frank 按组计数其外观的子组。

例如,我有属于段和具有邮政编码的客户。我想知道每个部分最常见的3个邮政编码。

library(data.table)
set.seed(123)
n <- 1e6
df <- data.table( cust_id = 1:n,
                  cust_segment = sample(LETTERS, size=n, replace=T),
                  cust_postal = sample(as.character(5e4:7e4),size=n, replace=T)
                 )

这个链条(在 dcast() 下面)生成 期望输出 但需要两次通过,第一次按分组进行计数,第二次按分组对计数进行排序。

dcast(
  df[,.(.N),
     by = .(cust_segment, cust_postal)
     ][,.(cust_postal,
          postal_rank = frankv(x=N, order=-1, ties.method = 'first')
     ), keyby=cust_segment
     ][postal_rank<=3],
  cust_segment ~ paste0('postcode_rank_',postal_rank), value.var = 'cust_postal' 
)
# desired output:
# cust_segment postcode_rank_1 postcode_rank_2 postcode_rank_3
#            A           51274           64588           59212
#            B           63590           69477           50380
#            C           60619           66249           53494 ...etc...

这是最好的方法,还是有一个单一的方法?

1 回复 | 直到 7 年前

phiver 7 年前

forder frankv keyby by

df[, .N, 
   keyby = .(cust_segment, cust_postal)
   ][order(-N), r := rowid(cust_segment)
     ][r <= 3, dcast(.SD, cust_segment ~ r, value.var ="cust_postal")]

    cust_segment     1     2     3
 1:            A 51274 53440 55754
 2:            B 63590 69477 50380
 3:            C 60619 66249 52122
 4:            D 68107 50824 59305
 5:            E 51832 65249 52366
 6:            F 51401 55410 65046

library(microbenchmark)

microbenchmark(C8H10N4O2 = dcast(
                                df[,.(.N),
                                   by = .(cust_segment, cust_postal)
                                   ][,.(cust_postal,
                                        postal_rank = frankv(x=N, order=-1, ties.method = 'first')
                                   ), keyby=cust_segment
                                   ][postal_rank<=3],
                                cust_segment ~ paste0('postcode_rank_',postal_rank), value.var = 'cust_postal' 
                              ),
              frank = df[, .N, 
                         keyby = .(cust_segment, cust_postal)
                         ][order(-N), r := rowid(cust_segment)
                           ][r <= 3, dcast(.SD, cust_segment ~ r, value.var ="cust_postal")])
Unit: milliseconds
     expr      min       lq     mean   median       uq      max neval
C8H10N4O2 136.3318 140.8096 156.2095 145.6099 170.4862 205.8457   100
    frank 102.2789 110.0140 118.2148 112.6940 119.2105 192.2464   100

推荐文章

Marco_CH · 根据动态相关的两个条件进行筛选

3 年前

Shubham · 如何在R中查找数据表的两个多类别列之间的差异/setdiff()

3 年前

mt1022 · 分组数据时的不同结果。以不同方式使用数字索引的表列

7 年前

shy zhan · 如何改变数据。有很多列的表?

7 年前

Brent Pease · 查找条件语句的最小值,其中条件也适用于之后的所有值

7 年前

Serhii · 标记数据中按组随机选择的N行。桌子

7 年前

T.Beil · 在数据表中选取均匀分布的样本

7 年前

89_Simple · 为每个组运行函数

7 年前

IceCreamToucan · 选择要保留/放入数据的组。桌子

7 年前

Valeria Lobos Ossandón · 使用R查找数据帧中其他数据帧的元素位置

7 年前