Question

我有这种类型的数据我现在只有两个组，用户可以是单个/多个组的一部分。有大约10万用户

我想创建具有仅来自grp A / B等的记录的表。

根据以上数据

，概念输出如下

ONLY A  1002
ONLY B  1003
BOTH    1001

请分享R解决方案和更好的data.table或sql方式

根据@Procrastinatus Maximus的答案，以下是一些测试结果

N <- 100000
set.seed(1)
DT <- data.table(
  id = sample(N/2, N, TRUE),
  grp = sample(c('A','B'), N, TRUE)
)[order(id)]
DT

DT[,.N, by=grp]
   grp     N
1:   B 50170
2:   A 49830

这种方法解决了我的问题（由@ Procrastinatus Maximus建议），与其他

相比，为什么这需要花费很多时间

> system.time(DT[, .SD[uniqueN(grp)==1], by = id])
   user  system elapsed 
 31.064   0.147  31.244 

> system.time(DT[, .(grps = toString(unique(grp))), by = id])
   user  system elapsed 
  2.022   0.011   1.987 
> system.time(unique(DT)[order(grp), .(grps = toString(grp)), by = id])
   user  system elapsed 
  0.707   0.003   0.710 
> system.time(DT[, list(grp = paste(grp, collapse = " | ")), by = id])
   user  system elapsed 
  0.244   0.001   0.245 
> system.time(aggregate(grp ~ id, DT, function(x) toString(unique(x))))
   user  system elapsed 
  2.673   0.004   2.680 
> system.time(sqldf('select id, group_concat(distinct grp) from DT group by id'))
   user  system elapsed 
  0.445   0.000   0.445

Answer 1

假设您的数据已经在data.table中（如果没有，请将其转换为data.table setDT(name_of_your_dataframe)）：

library(data.table)
# option 1
unique(DT)[, .(grps = toString(grp)), by = id]
# option 2
DT[, .(grps = toString(unique(grp))), by = id]

给出：

     id grps
1: 1001 A, B
2: 1002    A
3: 1003    B

根据@Frank的建议：要获得相同的序列，最好按grp列排序：

unique(DT)[order(grp), .(grps = toString(grp)), by = id]

其他几种选择：

1）基础R：

aggregate(grp ~ id, DT, function(x) toString(unique(x)))

2） dplyr：

library(dplyr)
DT %>% group_by(id) %>% summarise(grps = toString(unique(grp)))

3） sqldf：

library(sqldf)
sqldf('select id, group_concat(distinct grp) from DT group by id')

使用data.table R查找属于一个组而不是其他组的记录，反之亦然

1 个答案: