Sop*_*son 5 r dataframe dplyr tidyverse
我在 R 中有以下数据框。
ID Date List Type
P-10012 2020-04-15 12:13:15 ABC,ABD,BCD TR1
P-10012 2020-04-15 12:13:15 ABC,ABD,BCD RES
P-10012 2020-04-15 12:13:15 ABC,ABD,BCD FTT
P-10013 2020-04-12 17:10:05 TR1
P-10013 2020-04-12 17:10:05 FTT
P-10013 2020-04-12 17:10:05 ZXR
P-10014 2020-04-10 04:30:19 ABD,BCD TR1
P-10014 2020-04-10 04:30:19 ABD,BCD ZXR
P-10015 2020-04-10 14:13:15 ABC
P-10016 2020-04-10 13:13:15
P-10017 2020-03-18 10:13:15 ABC,ABD,BCD TR1
dput(df)
df <- structure(list(ID = c("P-10012", "P-10012",
"P-10012", "P-10013", "P-10013", "P-10013",
"P-10014", "P-10014", "P-10015", "P-10016",
"P-10017"), Date = c("2020-04-15 12:13:15", "2020-04-15 12:13:15",
"2020-04-15 12:13:15", "2020-04-12 17:10:05", "2020-04-12 17:10:05",
"2020-04-12 17:10:05", "2020-04-10 04:30:19", "2020-04-10 04:30:19",
"2020-04-10 14:13:15", "2020-04-10 13:13:15", "2020-03-18 10:13:15"
), Type = c("TR1", "RES", "FTT", "TR1", "FTT", "ZXR", "TR1", "ZXR", NA, NA, "TR1"), List = c("ABC,ABD,BCD", "ABC,ABD,BCD", "ABC,ABD,BCD",
"", "", "", "ABD,BCD", "ABD,BCD", "ABC", "", "ABC,ABD,BCD")), class = "data.frame", row.names = c(NA,
-11L))
数据帧的结构是，它总是有相同的List特定值ID的情况下，如果有针对特定可多行ID，因为它具有多种不同的价值Type。如果对于一个特定的值ID只有 1 个，Type那么它总是有一行。
我需要创建的月份分布如下Apr-20的List值作为逗号分隔提到的方式和Type价值观。
其中，第7行，我Required Df是重复计数ID根据条件（即是否List或者Type是不是空白的）所有独特的分布List和Type价值。对于这 7 行，Distinct_Count应该除以Total得到Percentage。但是，从第 8 行开始，如果唯一值是形式List，则应除以总不同计数，Non_Blank_List如果该值来自Type，则应除以总不同计数Non_Blank_Type。
在下面的矩阵中，我只想了解List和的独特值的分布是什么，并Type与其他值相结合。
请注意，出于示例目的，我分别简化了3 和 4 个唯一值中的List和Type值，但在我的实际数据框中，它非常高，并且每个月都不同，因此请不要对这些值进行硬编码。
我尝试了多种方法，但仍无法实现所需的输出。
所需的 Df<-
APR-21 Distinct_Count Percentage ABC ABD BCD TR1 RES FTT ZXR
Total_ID 5 100.00% 2 2 2 3 1 2 2
Blank_List 2 40.00% 0 0 0 1 0 1 1
Blank_Type 2 40.00% 1 0 0 0 0 0 0
Both_Blank 1 20.00% 0 0 0 0 0 0 0
Non_Blank_List 3 60.00% 2 2 2 2 1 1 1
Non_Blank_Type 3 60.00% 1 2 2 3 1 1 2
Both_Non_Blank 2 40.00% 1 2 2 2 1 1 1
ABC 1 33.33% 2 1 1 1 1 1 0
ABD 0 0.00% 1 2 2 2 1 1 1
BCD 0 0.00% 1 2 2 2 1 1 1
TR1 0 0.00% 1 2 2 3 1 1 1
RES 0 0.00% 1 1 1 1 1 1 0
FTT 0 0.00% 1 1 1 2 1 2 1
ZXR 0 0.00% 0 1 1 1 0 1 2
最大的挑战是键按行和列排列。
我使用了 2 个自定义函数来计算出现次数：
getcount()，它使用条件参数（如果您不熟悉定额，请参阅此处），用于特殊条件行（TotalID、Blank_list，...）getcount2()，它使用一个简单的字符参数，用于您的案例行（ABC、BCD、TR1...）两者的工作方式基本相同。我们分别计算所有单个案例的计数和总数，始终对ID结果进行分组和连接。
这是代码：
library(tidyverse)
library(lubridate)
df <- structure(list(ID = c("P-10012", "P-10012", "P-10012", "P-10013", "P-10013", "P-10013",
"P-10014", "P-10014", "P-10015", "P-10016", "P-10017"),
Date = c("2020-04-15 12:13:15", "2020-04-15 12:13:15", "2020-04-15 12:13:15",
"2020-04-12 17:10:05", "2020-04-12 17:10:05", "2020-04-12 17:10:05",
"2020-04-10 04:30:19", "2020-04-10 04:30:19", "2020-04-10 14:13:15",
"2020-04-10 13:13:15", "2020-03-18 10:13:15"),
Type = c("TR1", "RES", "FTT", "TR1", "FTT", "ZXR", "TR1", "ZXR", NA, NA, "TR1"),
List = c("ABC,ABD,BCD", "ABC,ABD,BCD", "ABC,ABD,BCD", "", "", "", "ABD,BCD",
"ABD,BCD", "ABC", "", "ABC,ABD,BCD")),
class = "data.frame", row.names = c(NA, -11L))
#extract all the individual values from Type and List
cases = c(df$Type, str_split(df$List, ", ?", simplify=TRUE)) %>% unique() %>%
sort() %>% .[.!=""] %>% rlang::set_names()
#util function
is_blank = function(x) is.na(x) | x==""
#get count for summary rows (TotalID, Blank_list, ...)
getcount = function(cond){
x = map_dbl(cases, ~df %>%
filter(month(Date)==4) %>%
group_by(ID) %>%
summarise(rtn=any({{cond}} & (str_detect(Type, .x) | str_detect(List, .x)))) %>%
pull() %>% sum(na.rm=TRUE)
)
x_tot = df %>%
filter(month(Date)==4) %>%
group_by(ID) %>%
summarise(rtn=any({{cond}})) %>%
pull() %>% sum(na.rm=TRUE)
c(x_tot, x)
}
#get count for cases rows (ABC, BCD, TR1...)
getcount2 = function(key){
x = map_dbl(cases, ~df %>%
filter(month(Date)==4) %>%
group_by(ID) %>%
summarise(rtn=any(
(key %in% Type | str_detect(List, key)) &
(str_detect(Type, .x ) | str_detect(List, .x ))
)) %>%
pull() %>% sum(na.rm=TRUE)
)
x_tot = df %>%
filter(month(Date)==4) %>%
group_by(ID) %>%
summarise(rtn=any(List==key)) %>%
pull() %>% sum(na.rm=TRUE)
c(tot=x_tot, x)
}
#here we go!
tibble(x=c("Distinct_Count", cases)) %>%
mutate(
Total_ID=getcount(TRUE),
Blank_List=getcount(is_blank(List)),
Blank_Type=getcount(is_blank(Type)),
Blank_Both=getcount(is_blank(List) & is_blank(Type)),
Non_Blank_List=getcount(!is_blank(List)),
Non_Blank_Type=getcount(!is_blank(Type)),
Non_Blank_Both=getcount(!is_blank(List) & !is_blank(Type))
) %>%
bind_cols(map_dfc(cases, ~getcount2(.x))) %>%
column_to_rownames("x") %>%
t() %>% as.data.frame() %>%
mutate(Percentage = scales::percent(Distinct_Count/max(Distinct_Count)), .after="Distinct_Count")
#> Distinct_Count Percentage ABC ABD BCD FTT RES TR1 ZXR
#> Total_ID 5 100% 2 2 2 2 1 3 2
#> Blank_List 2 40% 0 0 0 1 0 1 1
#> Blank_Type 2 40% 1 0 0 0 0 0 0
#> Blank_Both 1 20% 0 0 0 0 0 0 0
#> Non_Blank_List 3 60% 2 2 2 1 1 2 1
#> Non_Blank_Type 3 60% 1 2 2 2 1 3 2
#> Non_Blank_Both 2 40% 1 2 2 1 1 2 1
#> ABC 1 20% 2 1 1 1 1 1 0
#> ABD 0 0% 1 2 2 1 1 2 1
#> BCD 0 0% 1 2 2 1 1 2 1
#> FTT 0 0% 1 1 1 2 1 2 1
#> RES 0 0% 1 1 1 1 1 1 0
#> TR1 0 0% 1 2 2 2 1 3 2
#> ZXR 0 0% 0 1 1 1 0 2 2
由reprex 包于 2021 年 5 月 12 日创建(v2.0.0)
请注意，与您的预期输出有一些细微的差异，但我认为它们与您的复杂示例相比只是小错误。例如，ABC 的 Distinct_Count==1 因此在 5 中它不应达到 33%。此外，ZXR 可以与 TR1 一起出现两次（ID 13 和 14）。