Question

在尝试使用aggregate进行另一个问题here时，我遇到了一个相当奇怪的结果。我无法弄清楚为什么，我想知道我在做什么是完全错误的。

假设我有data.frame这样：

df <- structure(list(V1 = c(1L, 2L, 1L, 2L, 3L, 1L), 
                     V2 = c(2L, 3L, 2L, 3L, 4L, 2L), 
                     V3 = c(3L, 4L, 3L, 4L, 5L, 3L), 
                     V4 = c(4L, 5L, 4L, 5L, 6L, 4L)), 
                  .Names = c("V1", "V2", "V3", "V4"), 
        row.names = c(NA, -6L), class = "data.frame")
> df
#   V1 V2 V3 V4
# 1  1  2  3  4
# 2  2  3  4  5
# 3  1  2  3  4
# 4  2  3  4  5
# 5  3  4  5  6
# 6  1  2  3  4

现在，如果我想输出带有唯一行的data.frame，并在df中添加一列表示其频率。对于这个例子，

#   V1 V2 V3 V4 x
# 1  1  2  3  4 3
# 2  2  3  4  5 2
# 3  3  4  5  6 1

我使用aggregate通过如下实验获得此输出：

> aggregate(do.call(paste, df), by=df, print)

# [1] "1 2 3 4" "1 2 3 4" "1 2 3 4"
# [1] "2 3 4 5" "2 3 4 5"
# [1] "3 4 5 6"
#   V1 V2 V3 V4                         x
# 1  1  2  3  4 1 2 3 4, 1 2 3 4, 1 2 3 4
# 2  2  3  4  5          2 3 4 5, 2 3 4 5
# 3  3  4  5  6                   3 4 5 6

所以，这给了我粘贴的字符串。所以，如果我使用length而不是print，它应该给我这些事件的数量，这是期望的结果，就是这种情况（如下所示）。

> aggregate(do.call(paste, df), by=df, length)
#   V1 V2 V3 V4 x
# 1  1  2  3  4 3
# 2  2  3  4  5 2
# 3  3  4  5  6 1

这似乎有效。但是，当data.frame维度为4 * 2500时，输出data.frame为1 * 2501而不是4 * 2501（所有行都是唯一的，因此频率为1）。

> df <- as.data.frame(matrix(sample(1:3, 1e4, replace = TRUE), nrow=4))
> o <- aggregate(do.call(paste, df), by=df, length)
> dim(o)
# [1]    1 2501

我使用只有唯一行的较小data.frames进行测试，并提供正确的输出（例如，更改nrow=40）。但是，当矩阵的尺寸增加时，这似乎不起作用。而我无法弄清楚出了什么问题！有什么想法吗？

Answer 1

此处的问题是aggregate.data.frame()如何确定群组。

在aggregate.data.frame()中，有一个循环形成分组变量grp。在该循环中，grp通过以下方式更改/更新：

grp <- grp * nlevels(ind) + (as.integer(ind) - 1L)

您的示例的问题是，如果将by转换为因素，并且循环已超过所有这些因素，则在您的示例grp中最终会出现问题：

Browse[2]> grp
[1] Inf Inf Inf Inf

基本上，循环更新会将grp的值推送到与Inf无法区分的数字。

完成后，aggregate.data.frame()稍后执行此操作

y <- y[match(sort(unique(grp)), grp, 0L), , drop = FALSE]

这就是早期问题现在表现为

的地方

dim(y[match(sort(unique(grp)), grp, 0L), , drop = FALSE])

，因为

match(sort(unique(grp)), grp, 0L)

显然只返回1：

> match(sort(unique(grp)), grp, 0L)
[1] 1

因为grp只有一个唯一值。

汇总的意外输出

1 个答案: