从长度不一致的向量列表中创建表by_group

Question

数据：

• 每次观察属于三组中的一组;我们称之为“a”，“b”和“c”。

• 每个观察都包含一个id（整数）向量。许多ID重叠，但许多不重复。有超过100万个唯一值，但当我设置10或20左右的最小频率时，它很快变得更容易管理。

• 生成的随机数据类似于原始数据：

  set.seed(21) #GoSpursGo
  random_id <- function(n) sample(1111:11111, n, replace = TRUE)
  ids <- replicate(1000, random_id(sample(200:700, 400)))
  group <- sample(c("a", "b", "c"), 1000, replace = TRUE)
  df <- dplyr::data_frame(group = group, ids = ids)
  df
  
  ## Source: local data frame [1,000 x 2]
  ## 
  ## group         ids
  ## <chr>      <list>
  ## 1      b <int [593]>
  ## 2      a <int [444]>
  ## 3      b <int [605]>
  ## 4      b <int [263]>
  ## 5      a <int [274]>
  ## 6      c <int [450]>
  ## 7      c <int [656]>
  ## 8      b <int [687]>
  ## 9      a <int [302]>
  ## 10     a <int [234]>
  ## ..   ...         ...
  

目的：

• 我想为每个组创建一个表，其中描述了前1000个ID（跨所有组）的频率。

问题：

• 我可以使用基本的lapply和table函数生成表格，但它们很慢，感觉我错过了一些明显的东西。另外，我已经掌握了足够多的数据，即使效率上的微小提升也会让我的生活变得更加轻松。我最近才开始使用dplyr更多[代替基本R函数]，效率的提升非常好......但是我在这个方面做了一个空白的[表]。

问题：

• 有人建议如何有效地创建从这种数据结构派生的频率表？我现在真的很喜欢dplyr，所以这方面的反馈会很酷，但如果是这样，我很乐意考虑寻找其他R套餐。

Base R版本：

## base R
base_tbl <- sapply(unique(df$group), function(x) 
  table(unlist(df$ids[df$group == x])))
  base_tb <- data.frame(
    ids = row.names(base_tbl), 
    base_tbl, 
    row.names = NULL,
    stringsAsFactors = FALSE)
head(base_tb)
## ids  b  a  c
## 1 1111 21 19 16
## 2 1112 17 19 17
## 3 1113 15 16 12
## 4 1114 12 16 17
## 5 1115 10 14 17
## 6 1116  8 23 17

Answer 1

tidyr有助于重塑此处。由于您并不真正关心识别哪个向量，首先只需unnest为长形式，您可以将其导入count按两列分组，这相当于{{1} }或%>% table() %>% as_data_frame()，将%>% group_by(group, ids) %>% summarise(n = n()) / group组合的重复观察值折叠为单行，添加ids频率列。 n宽范围允许您按计数的行总和进行排序，将最常出现的数字放在顶部：

spread

尽管有450k行，它仍能在我的机器上即时运行。