在R中创建相等和的组

时间:2015-04-02 23:28:03

标签: r bin-packing

我正在尝试将data.frame / data.table的一列分为三组,所有这些组都有相等的总和。

数据首先从最小到最大排序,这样第一组将由大量具有较小值的行组成,而第三组将具有较小数量的具有较大值的行。这是在精神上完成的:

test <- data.frame(x = as.numeric(1:100000))
store <- 0
total <- sum(test$x)

for(i in 1:100000){

  store <- store + test$x[i]

  if(store < total/3){

    test$y[i] <- 1

  } else {

      if(store < 2*total/3){

        test$y[i] <- 2

      } else { 

        test$y[i] <- 3

      }     
  }    
}

虽然成功,但我觉得必须有更好的方法(也许是一个非常明显的解决方案,我错过了)。

  • 当矢量化方法可用时,我从不喜欢使用循环,特别是使用嵌套ifs - 甚至100,000条记录,此代码变得非常慢
  • 对于大量的组(不一定是循环,但ifs)编码,这种方法变得非常复杂。
  • 需要预订列。可能无法解决这个问题。

作为一种细微差别(并非它有所作为),但要求总和的数据并不总是(或曾经)是连续的整数。

5 个答案:

答案 0 :(得分:4)

也许用cumsum:

test$z <- cumsum(test$x) %/% (ceiling(sum(test$x) / 3)) + 1

答案 1 :(得分:3)

我认为cumsum / modulo division方法非常优雅,但它确实重新调整了一些不规则的分配:

> tapply(test$x, test$z, sum)
         1          2          3 
1666636245 1666684180 1666729575 
> sum(test)/3
[1] 1666683333

所以我虽然我会首先创建一个随机排列并提供类似的东西:

 test$x <- sample(test$x)
 test$z2 <- cumsum(test$x)[ findInterval(cumsum(test$x), 
                                        c(0, 1666683333*(1:2), sum(test$x)+1))]
> tapply(test$x, test$z2, sum)
     91099     116379     129539 
1666676164 1666686837 1666686999 

这也可以实现更均匀的计数分配:

> table(test$z2)

 91099 116379 129539 
 33245  33235  33520 
> table(test$z)

    1     2     3 
57734 23915 18351 

我必须承认有关z2中条目命名的疑惑。

答案 2 :(得分:3)

这或多或少是bin-packing问题。

使用binPack包中的BBmisc功能:

library(BBmisc)
test$bins <- binPack(test$x, sum(test$x)/3+1)

3个箱子的总和几乎相同:

tapply(test$x, test$bins, sum)


    1          2          3 
1666683334 1666683334 1666683332

答案 3 :(得分:0)

您可以使用groupdata2中的fold()并获得每个组几乎相等数量的元素:

# Create data frame
test <- data.frame(x = as.numeric(1:100000)) 

# Use fold() to create 3 numerically balanced groups  
test <- groupdata2::fold(k = 3, num_col = "x")

# Watch first 10 rows
head(test, 10)

## # A tibble: 10 x 2
## # Groups:   .folds [3]
##        x .folds
##    <dbl> <fct> 
##  1     1 1     
##  2     2 3     
##  3     3 2     
##  4     4 1     
##  5     5 2     
##  6     6 2     
##  7     7 1     
##  8     8 3     
##  9     9 2     
## 10    10 3 

# Check the sum and number of elements per group
test %>% 
  dplyr::group_by(.folds) %>% 
  dplyr::summarize(sum_ = sum(x),
                   n_members = dplyr::n())

## # A tibble: 3 x 3
##   .folds       sum_ n_members
##   <fct>       <dbl>     <int>
## 1 1      1666690952     33333
## 2 2      1666716667     33334
## 3 3      1666642381     33333

答案 4 :(得分:0)

或者您也可以在积木上cut

test$z <- cut(cumsum(test$x), breaks = 3, labels = 1:3) 

或使用ggplot2::cut_interval代替cut

test$z <- cut_interval(cumsum(test$x), n = 3, labels = 1:3)