R:高效的数据帧拆分应用(连接)

Question

我希望得到一些专家建议,以有效的方式删除一列中的数据帧行(columnA),其中存在重复值,同时创建一个新变量,连接另一列(columnB)的条目其中columnA有重复项.下面我提供一个玩具数据框:

my_df <- data.frame('DateTime' = c('2017/05/05 08:30:00', '2017/05/05 08:30:00', 
                               '2017/05/05 08:30:00', '2017/12/08 08:30:00',
                              '2018/01/15 18:50:00', '2017/12/20 21:46:00',
                              '2017/11/12 18:50:00', '2017/11/03 08:30:00',
                              '2017/11/03 08:30:00', '2017/12/03 08:30:00'),
                     'Event' = c('A', 'B', 'C', 'A', 'A', 'B', 'C', 'A', 'B', 'A'),
                     'Var1' = rnorm(10),
                     stringsAsFactors = FALSE)

在此数据框中,DateTime列是一个字符列,2017/05/08 08:30:00出现3次,而2017/11/03 08:30:00出现两次.我的目标是折叠有重复项的行,DateTime并有一个连接Event条目的新列.所以新栏目,AllEvents应该有A-B-C2017/05/05 08:30:00行的参赛作品.对于行2017/11/03 08:30:00中的DateTime列AllEvents应该具有值A-B.最后,对于所有其他行,AllEvents应匹配Event列.

我的尝试似乎非常笨重.

我首先提取DateTime的唯一值,其中有多个entr:

require(dplyr)
duped_datetime <- unique(my_df[duplicated(my_df$DateTime), 'DateTime'])

然后,我将my_df子集化,以提取存在重复项的条目

subset_df <- my_df[my_df$DateTime %in% duped_datetime,]

接下来,我创建一个连接向量的函数:

my_concat <- function(x){
concat_str <- subset_df %>% filter(DateTime == x) %>% 
                            select(Event) %>% 
                            unlist() %>% 
                            paste(collapse="+") 
return(concat_str)
}

接下来,我遍历重复的日期并应用my_concat函数:

named_vc <- sapply(duped_datetime, FUN = my_concat)

结果合并为一个新的数据帧

new_df <- data.frame('DateTime' = duped_datetime,
                     'AllEvents' = unname(named_vc), 
                      stringsAsFactors = FALSE)

合并结果并清理final_df以保留我需要的行和列.

final_df <- left_join(my_df, new_df, by = 'DateTime')  %>% 
            mutate(AllEvents = ifelse(is.na(AllEvents), Event, AllEvents)) 
final_df <- final_df[!duplicated(final_df$DateTime),]
final_df['Event'] <- NULL  

我得到了我需要的结果但是你可以看到代码是可怕的.整个事情可以在Python中使用groupby,apply和lambda函数在4行中完成,但对于我来说如何在R中干净地完成相同的任务并不是很明显.

    DateTime            Var1      AllEvents
2017/05/05 08:30:00   -0.8350209    A+B+C
2017/12/08 08:30:00    1.1534819    A
2018/01/15 18:50:00   -0.3501990    A
2017/12/20 21:46:00   -0.6664841    B
2017/11/12 18:50:00    1.7142981    C
2017/11/03 08:30:00   -2.0133559    A+B
2017/12/03 08:30:00   -0.6150040    A

感谢任何有耐心阅读本文的人.

Answer 1

这可以直接进行dplyr,group_by适用于以下DateTime值:

my_df %>%
    group_by(DateTime) %>%
    summarise(Var1 = first(Var1),
              Event = paste0(Event, collapse = "+"))

输出:

# A tibble: 7 x 3
  DateTime              Var1 Event
  <chr>                <dbl> <chr>
1 2017/05/05 08:30:00  0.159 A+B+C
2 2017/11/03 08:30:00 -0.610 A+B  
3 2017/11/12 18:50:00  0.465 C    
4 2017/12/03 08:30:00 -1.89  A    
5 2017/12/08 08:30:00  0.793 A    
6 2017/12/20 21:46:00  0.755 B    
7 2018/01/15 18:50:00  0.511 A