Question

我需要每个月在不同的时间间隔（3,4,5,6个月......）内计算唯一ID。我需要为不同的群体做这些，例如年龄，性别等。这就是我的数据的样子：

ID Yr_month Age Gender
11 2012-01  30  M
11  2012-02 30  M
...
11  2012-12 30 M
12  2012-01 32 F...

输出应如下所示：

Yr_month cnt_distinctID_3 count_distinctID_4....
2012-01   300             400

我可以使用多个for循环和dplyr来完成此操作。有没有更快的方法使用数据表来完成这项工作？谢谢！

这就是我的代码的样子：

setorderv(test,c("id","year_mth"))
setkeyv(test,c("id"))
test <- data.table(cbind(test, first=0L))
test[test[unique(test),,mult="first", which=TRUE], first:=1L]
test1 <- test %>% 
  group_by(year_mth) %>%

 summarize(first_total = sum(first)) %>% 
  select(year_mth,first_total) 
test2 <- test1 %>% 

  arrange(year_mth) %>% 
  mutate(Cusum = cumsum(first_total)) %>% 
select(year_mth, Cusum)

然后我按照上面的年份运行for_mth和K＆lt; - seq（3:36）。当我运行一个大数据集时，它花了很多时间。

Answer 1

如果我正确理解了这个问题，那么OP希望在不同大小的滚动窗口中计算唯一ID。计数将显示在一个表格中，其中滚动窗口的长度水平延伸，滚动窗口的垂直结束月份垂直。

此方法将所有intervalls创建为data.table，并在 non-equi join 期间与数据集进行聚合。最后，结果从长格式转变为宽格式。

创建样本数据集

OP尚未提供样本数据集。所以，我们必须自己编造：

# create year-month sequence
yr_m <- CJ(2012:2014, 1:12)[, sprintf("%4i-%02i", V1, V2)]
n_id <- 100L   # number of individual IDs
n_row <- 1e3L  # number of rows to create
set.seed(123L)   # required for reproducible results
DT <- data.table(ID = sample.int(n_id, n_row, TRUE),
                 Yr_month = ordered(sample(yr_m, n_row, TRUE), yr_m))
str(DT)

Classes ‘data.table’ and 'data.frame':    1000 obs. of  2 variables:
 $ ID      : int  29 79 41 89 95 5 53 90 56 46 ...
 $ Yr_month: Ord.factor w/ 36 levels "2012-01"<"2012-02"<..: 10 22 6 31 31 18 28 11 3 16 ...
 - attr(*, ".internal.selfref")=<externalptr>

请注意，Yr_month已成为后续非等连接所需的因素，涉及比较操作。

创建间隔

intervals <- rbindlist(
  lapply(3:24, function(x) data.table(K = x, 
                                      start = head(yr_m, -(x - 1L)), 
                                      end = tail(yr_m, -(x - 1L)))
  ))

为了说明，此处仅考虑3至24个月的间隔。

intervals

      K   start     end
  1:  3 2012-01 2012-03
  2:  3 2012-02 2012-04
  3:  3 2012-03 2012-05
  4:  3 2012-04 2012-06
  5:  3 2012-05 2012-07
 ---                   
513: 24 2012-09 2014-08
514: 24 2012-10 2014-09
515: 24 2012-11 2014-10
516: 24 2012-12 2014-11
517: 24 2013-01 2014-12

在非equi连接和重塑

期间聚合

DT[intervals, on = .(Yr_month >= start, Yr_month <= end), 
   .(count = uniqueN(ID), end, K), by = .EACHI][
     , dcast(.SD, end ~ K, value.var = "count")]

        end  3  4  5  6  7  8  9 10 11 12 13 14  15  16  17  18  19  20  21  22  23  24
 1: 2012-03 59 NA NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
 2: 2012-04 53 64 NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
 3: 2012-05 59 69 80 NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
 4: 2012-06 57 72 78 88 NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
 5: 2012-07 53 62 75 80 89 NA NA NA NA NA NA NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
 6: 2012-08 50 65 71 81 86 91 NA NA NA NA NA NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
 7: 2012-09 58 65 71 76 84 89 93 NA NA NA NA NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
 8: 2012-10 59 67 72 77 82 88 92 94 NA NA NA NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
 9: 2012-11 57 66 72 77 82 86 91 94 96 NA NA NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
10: 2012-12 57 67 75 80 83 88 91 95 97 98 NA NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
11: 2013-01 53 63 71 78 83 85 90 93 97 98 99 NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
12: 2013-02 57 68 77 82 87 91 92 95 97 97 98 99  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
13: 2013-03 56 67 75 83 86 88 92 93 96 97 97 98  99  NA  NA  NA  NA  NA  NA  NA  NA  NA
14: 2013-04 57 67 76 81 87 90 92 95 96 98 99 99 100 100  NA  NA  NA  NA  NA  NA  NA  NA
15: 2013-05 65 74 79 83 86 90 93 95 97 98 99 99  99 100 100  NA  NA  NA  NA  NA  NA  NA
16: 2013-06 71 77 83 85 87 89 92 95 97 98 99 99  99  99 100 100  NA  NA  NA  NA  NA  NA
17: 2013-07 65 78 83 88 90 91 91 94 96 97 98 99  99  99  99 100 100  NA  NA  NA  NA  NA
18: 2013-08 57 73 84 88 91 93 94 94 97 99 99 99 100 100 100 100 100 100  NA  NA  NA  NA
19: 2013-09 62 71 81 90 92 95 96 96 96 97 99 99  99 100 100 100 100 100 100  NA  NA  NA
20: 2013-10 62 71 79 87 93 95 98 98 98 98 98 99  99  99 100 100 100 100 100 100  NA  NA
21: 2013-11 61 74 81 87 91 95 96 99 99 99 99 99 100 100 100 100 100 100 100 100 100  NA
22: 2013-12 64 76 83 88 93 96 98 99 99 99 99 99  99 100 100 100 100 100 100 100 100 100
23: 2014-01 56 70 78 84 89 94 96 98 99 99 99 99  99  99 100 100 100 100 100 100 100 100
24: 2014-02 52 67 76 83 88 90 95 96 98 99 99 99  99  99  99 100 100 100 100 100 100 100
25: 2014-03 51 62 72 80 85 89 91 95 96 98 99 99  99  99  99  99 100 100 100 100 100 100
26: 2014-04 58 62 71 76 83 87 90 92 96 97 99 99  99  99  99  99  99 100 100 100 100 100
27: 2014-05 60 67 70 78 82 88 90 92 94 97 98 99  99  99  99  99  99  99 100 100 100 100
28: 2014-06 58 74 78 80 85 88 93 93 94 94 97 98  99  99  99  99  99  99  99 100 100 100
29: 2014-07 60 70 81 83 85 88 90 94 94 95 95 98  99 100 100 100 100 100 100 100 100 100
30: 2014-08 64 71 79 89 91 91 93 94 96 96 96 96  99  99 100 100 100 100 100 100 100 100
31: 2014-09 57 68 74 82 92 94 94 94 95 96 96 96  96  99  99 100 100 100 100 100 100 100
32: 2014-10 57 67 74 79 87 96 97 97 97 97 98 98  98  98 100 100 100 100 100 100 100 100
33: 2014-11 48 63 71 77 82 89 97 98 98 98 98 99  99  99  99 100 100 100 100 100 100 100
34: 2014-12 52 61 71 77 82 86 91 99 99 99 99 99  99  99  99  99 100 100 100 100 100 100
        end  3  4  5  6  7  8  9 10 11 12 13 14  15  16  17  18  19  20  21  22  23  24

uniqueN()是一个data.table函数，用于计算唯一ID的数量。

R列表的数据表间隔计算

1 个答案:

创建样本数据集

创建间隔

在非equi连接和重塑