Question

我有一个非常大的数据框（265,874 x 30），有三个明智的组：年龄类别（1-6），日期（5479这样）和地理位置（总共4个）。每条记录包括每个记录中的一个选项，以及27个计数变量。我想按每个分组变量进行分组，然后对得到的子分组27变量进行colSums。我一直在尝试使用 dplyr （v0.2）来执行此操作，因为手动执行此操作最终会设置大量冗余内容（或者通过循环来迭代分组选项，缺乏优雅的解决方案）。

示例代码：

countData <- sample(0:10, 2000, replace = TRUE)
dates <- sample(seq(as.Date("2010/1/1"), as.Date("2010/01/30"), "days"), 200, replace = TRUE)
locality <- sample(1:2, 2000, replace = TRUE)
ageCat <- sample(1:2, 2000, replace = TRUE)
sampleDF <- data.frame(dates, locality, ageCat, matrix(countData, nrow = 200, ncol = 10))

然后我想做的是......

library("dplyr")
sampleDF %.% group_by(locality, ageCat, dates) %.% do(colSums(.[, -(1:3)]))

但这并不是很有效，因为colSums（）的结果不是数据帧。如果我投了它，它就可以了：

sampleDF %.% group_by(locality, ageCat, dates) %.% do(data.frame(matrix(colSums(.[, -(1:3)]), nrow = 1, ncol = 10)))

但是最后的do（...）位看起来非常笨重。

有关如何更优雅或更有效地做到这一点的任何想法？我想这个问题归结为：如何最好地使用do（）函数和。运算符通过colSums汇总数据框。

注意：do（。）运算符仅适用于 dplyr 0.2，因此您需要从GitHub（link）中获取它，而不是从CRAN中获取它。

编辑：建议的结果

三种解决方案：

我的帖子建议：已过去，146.765秒。
@joran的建议如下：6.902秒
@ eddi在评论中的建议，使用data.table：6.715秒。

我没有费心去复制，只是使用system.time（）来获得粗略的衡量标准。从它的外观来看， dplyr 和 data.table 在我的数据集上执行大致相同，并且两者都比我提出的黑客解决方案正确使用时快得多昨天。

Answer 1

除非我遗漏了某些内容，否则这似乎是summarise_each（来自 plyr 的colwise类似物）的工作：

sampleDF %.% group_by(locality, ageCat, dates) %.% summarise_each(funs(sum))

默认情况下，分组列不包含在汇总功能中，您只能选择列的子集以使用与使用select时相同的技术来应用这些功能。

（summarise_each在 dplyr 的0.2版本中，但据我所知，不在0.1.3中。）

Answer 2

这是@joran在2014年提出的一个很好的答案。

现在不建议使用此方法。相反，请使用summarize_all()或summarize_at()。

dplyr：子分组（group_by）数据帧上的colSums：优雅

2 个答案: