我有一个包含10列的数据框,收集“用户”的操作,其中一列包含ID(不唯一,标识用户)(第10列)。数据帧的长度约为750000行。我试图通过包含“用户”标识符的列来提取单个数据帧(以获取数据帧的列表或向量),以隔离单个actor的操作。
ID | Data1 | Data2 | ... | UserID
1 | aaa | bbb | ... | u_001
2 | aab | bb2 | ... | u_001
3 | aac | bb3 | ... | u_001
4 | aad | bb4 | ... | u_002
导致
list(
ID | Data1 | Data2 | ... | UserID
1 | aaa | bbb | ... | u_001
2 | aab | bb2 | ... | u_001
3 | aac | bb3 | ... | u_001
,
4 | aad | bb4 | ... | u_002
...)
以下对小样本(1000行)非常有效:
paths = by(smallsampleMat, smallsampleMat[,"userID"], function(x) x)
然后通过路径[1]访问我想要的元素。
当应用原始大数据帧甚至矩阵表示时,这会扼杀我的机器(4GB RAM,MacOSX 10.6,R 2.15)并且永远不会完成(我知道存在更新的R版本,但我相信这不是主要问题)。
似乎拆分更具性能并经过很长时间的完成,但我不知道(劣等的R知识)如何将得到的矢量列表分成矩阵向量。
path = split(smallsampleMat, smallsampleMat[,10])
我也考虑过使用big.matrix
等,但没有太大的成功,可以加快这个过程。
答案 0 :(得分:83)
您可以使用例如,轻松访问列表中的每个元素。 path[[1]]
。您不能将一组矩阵放入原子向量中并访问每个元素。矩阵是具有维度属性的原子向量。我会使用split
返回的列表结构,它就是它的设计目标。每个列表元素都可以保存不同类型和大小的数据,因此它非常通用,您可以使用*apply
函数对列表中的每个元素进行进一步操作。示例如下。
# For reproducibile data
set.seed(1)
# Make some data
userid <- rep(1:2,times=4)
data1 <- replicate(8 , paste( sample(letters , 3 ) , collapse = "" ) )
data2 <- sample(10,8)
df <- data.frame( userid , data1 , data2 )
# Split on userid
out <- split( df , f = df$userid )
#$`1`
# userid data1 data2
#1 1 gjn 3
#3 1 yqp 1
#5 1 rjs 6
#7 1 jtw 5
#$`2`
# userid data1 data2
#2 2 xfv 4
#4 2 bfe 10
#6 2 mrx 2
#8 2 fqd 9
使用[[
运算符访问每个元素,如下所示:
out[[1]]
# userid data1 data2
#1 1 gjn 3
#3 1 yqp 1
#5 1 rjs 6
#7 1 jtw 5
或使用*apply
函数对每个列表元素执行进一步操作。例如,要获取data2
列的平均值,您可以像这样使用sapply:
sapply( out , function(x) mean( x$data2 ) )
# 1 2
#3.75 6.25
答案 1 :(得分:8)
偶然发现了这个答案,我实际上想要两个组(包含该用户的数据和包含除一个用户之外的所有内容的数据)。对于这篇文章的细节没有必要,但我想如果有人和我一起搜索同样的问题,我会补充一下。
df <- data.frame(
ran_data1=rnorm(125),
ran_data2=rnorm(125),
g=rep(factor(LETTERS[1:5]), 25)
)
test_x = split(df,df$g)[['A']]
test_y = split(df,df$g!='A')[['TRUE']]
这是它的样子:
head(test_x)
x y g
1 1.1362198 1.2969541 A
6 0.5510307 -0.2512449 A
11 0.0321679 0.2358821 A
16 0.4734277 -1.2889081 A
21 -1.2686151 0.2524744 A
> head(test_y)
x y g
2 -2.23477293 1.1514810 B
3 -0.46958938 -1.7434205 C
4 0.07365603 0.1111419 D
5 -1.08758355 0.4727281 E
7 0.28448637 -1.5124336 B
8 1.24117504 0.4928257 C
答案 2 :(得分:6)
From version 0.8.0, dplyr
offers a handy function called group_split()
:
# On sample data from @Aus_10
df %>%
group_split(g)
[[1]]
# A tibble: 25 x 3
ran_data1 ran_data2 g
<dbl> <dbl> <fct>
1 2.04 0.627 A
2 0.530 -0.703 A
3 -0.475 0.541 A
4 1.20 -0.565 A
5 -0.380 -0.126 A
6 1.25 -1.69 A
7 -0.153 -1.02 A
8 1.52 -0.520 A
9 0.905 -0.976 A
10 0.517 -0.535 A
# … with 15 more rows
[[2]]
# A tibble: 25 x 3
ran_data1 ran_data2 g
<dbl> <dbl> <fct>
1 1.61 0.858 B
2 1.05 -1.25 B
3 -0.440 -0.506 B
4 -1.17 1.81 B
5 1.47 -1.60 B
6 -0.682 -0.726 B
7 -2.21 0.282 B
8 -0.499 0.591 B
9 0.711 -1.21 B
10 0.705 0.960 B
# … with 15 more rows