Question

我正在处理一个大约70万行的data.frame。它包含来自twitter的statusupdates和相应用户名的ID。我只是想知道有多少不同的用户在那里以及他们发推文的次数。所以我认为使用表格这是一个非常简单的任务。但是知道我发现我得到了不同的结果。

最近我将列转换为像这样的字符

>freqs <- as.data.frame(table(as.character(w_dup$from_user))
>nrow(freqs)
[1] 239678

2个月前我这样做了

>freqs <- as.data.frame(table(w_dup$from_user)
>nrow(freqs)
[1] 253594

我注意到这种方式数据框包含频率为0的用户名。怎么会这样？如果用户名在数据集中，则必须至少出现一次。

？表没有帮助我。我也无法在较小的数据集上重现此问题。

我做错了什么。或者我错过了解表的使用？

Answer 1

列的类型是此处的问题，并且还要记住，在对数据框进行子集化时，因子级别保持不变：

# Full data frame
(df <- data.frame(x = letters[1:3], y = 1:3))
  x y
1 a 1
2 b 2
3 c 3
# Its structure - all three levels as it should be
str(df)
'data.frame':   3 obs. of  2 variables:
 $ x: Factor w/ 3 levels "a","b","c": 1 2 3
 $ y: int  1 2 3
# A smaller data frame
(newDf <- df[1:2, ])
  x y
1 a 1
2 b 2
# But the same three levels
str(newDf)
'data.frame':   2 obs. of  2 variables:
 $ x: Factor w/ 3 levels "a","b","c": 1 2
 $ y: int  1 2

所以第一列包含因子。在这种情况下：

table(newDf$x)

a b c 
1 1 0

考虑所有级别（"a","b","c"）。在这里

table(as.character(newDf$x))

a b 
1 1

他们不再是因素了。

R频率表包含0

1 个答案: