在我的计数中重复行,在R中使用data.table

Question

我很遗憾地问这个愚蠢的问题,但我不知道出了什么问题.我有一个数据集,我将其转换为data.table对象:

#generate 100,000 ids associated to a group in a data-set called base
id=c(1:100000)
group=sample(c(1:5),100000,TRUE)
base=cbind(id,group)
base=as.data.table(base)

我通过计算创建一个基本组,以按组获取行数,结果表仍包含相同的行数

counting=base[,COUNT:= .N, by = group]
nrow(counting)
#100000

我错过了什么？data.table中有一个选项可以解决我的问题吗？

Answer 1

以akrun的评论为例,我决定提供一个答案.您似乎不确定如何汇总数据并感到困惑.首先,关于构建数据集的一点:

set.seed(123)
id    = c(1:100000)
group = sample(c(1:5),100000,TRUE)
base  = data.frame(id,group)
setDT(base)

base

        id group
 1:      1     2
 2:      2     4
 3:      3     3
 4:      4     5
 5:      5     5
 ....

当您cbind()在多个向量上使用时,它们会被强制转换为同一个类来生成矩阵.更安全的方法是使用data.frame(),它允许混合列类.并且,如果您有data.frame,则可以通过引用将其转换为data.table setDT,而无需分配结果.

添加新列.您的代码基本上是在data.table对象中添加一个新列.当你使用时:=,你所做的相当于mutate()in dplyr或transform()in R,有一个重要的区别.使用时:=,该列将通过引用添加到data.table中,因此无需分配结果.

base[, COUNT := .N, by = group]

base

   id group COUNT
1:  1     2 20099
2:  2     4 19934
3:  3     3 20001
4:  4     5 19933
5:  5     5 19933
...

在这里,您计算每个组存在多少个数据点,并将值分配给所有行.例如,第2组的总数是20099.您将此数字赋予所有行group == 2.您正在创建新列,而不是汇总数据.因此,您仍然有100000行.行数base与以往相同.目前没有通过引用修改行数的功能.

总结数据.如果要计算每个组存在多少数据点并汇总数据,则需要以下内容.

dt2 <- base[, .(COUNT = .N), by = group]

dt2

   group COUNT
1:     2 20099
2:     4 19934
3:     3 20001
4:     5 19933
5:     1 20033

dim(dt2)

[1] 5 2

在这里,您要确保使用=,而不是:=因为您要汇总数据.有必要分配结果,因为我们正在创建一个新的data.table.我希望这能清除你的想法.