我有data.table
个事件记录,例如用户ID,居住国家/地区和事件。
如,
dt <- data.table(user=c(rep(3, 5), rep(4, 5)),
country=c(rep(1,4),rep(2,6)),
event=1:10, key="user")
正如您所看到的,数据有些损坏:事件5报告用户3在国家2(或者他旅行过 - 这对我来说无关紧要)。 所以当我尝试总结数据时:
dt[, country[.N] , by=user]
user V1
1: 3 2
2: 4 2
我为用户3弄错了国家/地区。 理想情况下,我希望为用户提供最常见的国家/地区 他在那里度过的时间百分比:
user country support
1: 3 1 0.8
2: 4 2 1.0
我该怎么做?
实际数据有~10 ^ 7行,因此解决方案必须扩展(这就是我使用data.table
而不是data.frame
的原因。)
答案 0 :(得分:7)
另一种方式:
编辑。 table(.)
是罪魁祸首。将其更改为完成data.table
语法。
dt.out<- dt[, .N, by=list(user,country)][, list(country[which.max(N)],
max(N)/sum(N)), by=user]
setnames(dt.out, c("V1", "V2"), c("country", "support"))
# user country support
# 1: 3 1 0.8
# 2: 4 2 1.0
答案 1 :(得分:4)
使用plyr
的{{1}}功能:
count
想法是计算每个用户的国家/地区,按最大频率排序,然后获取您喜欢的数据。
感谢@mnel提供的更明智的答案,它不使用额外的功能:
dt[, count(country), by = user][order(-freq),
list(country = x[1],
support = freq[1]/sum(freq)),
by = user]
# user country support
#1: 4 2 1.0
#2: 3 1 0.8