我正在尝试计算每月唯一“新”用户的数量。 New是一个之前没有出现的用户（从一开始）我也在尝试计算上个月没有出现的唯一用户数。
原始数据看起来像
library(dplyr)
date <- c("2010-01-10","2010-02-13","2010-03-22","2010-01-11","2010-02-14","2010-03-23","2010-01-12","2010-02-14","2010-03-24")
mth <- rep(c("2010-01","2010-02","2010-03"),3)
user <- c("123","129","145","123","129","180","180","184","145")
dt <- data.frame(date,mth,user)
dt <- dt %>% arrange(date)
dt
date mth user
1 2010-01-10 2010-01 123
2 2010-01-11 2010-01 123
3 2010-01-12 2010-01 180
4 2010-02-13 2010-02 129
5 2010-02-14 2010-02 129
6 2010-02-14 2010-02 184
7 2010-03-22 2010-03 145
8 2010-03-23 2010-03 180
9 2010-03-24 2010-03 145
答案应该是
new <- c(2,2,2,2,2,2,1,1,1)
totNew <- c(2,2,2,4,4,4,5,5,5)
notLastMonth <- c(2,2,2,2,2,2,2,2,2)
tmp <- cbind(dt,new,totNew,notLastMonth)
tmp
date mth user new totNew notLastMonth
1 2010-01-10 2010-01 123 2 2 2
2 2010-01-11 2010-01 123 2 2 2
3 2010-01-12 2010-01 180 2 2 2
4 2010-02-13 2010-02 129 2 4 2
5 2010-02-14 2010-02 129 2 4 2
6 2010-02-14 2010-02 184 2 4 2
7 2010-03-22 2010-03 145 1 5 2
8 2010-03-23 2010-03 180 1 5 2
9 2010-03-24 2010-03 145 1 5 2
答案 0 :(得分：6)
这是一次尝试（代码正文中的解释）
dt %>%
group_by(user) %>%
mutate(Count = row_number()) %>% # Count appearances per user
group_by(mth) %>%
mutate(new = sum(Count == 1)) %>% # Count first appearances per months
summarise(new = first(new), # Summarise new users per month (for cumsum)
users = list(unique(user))) %>% # Create a list of unique users per month (for notLastMonth)
mutate(totNew = cumsum(new), # Calculate overall cummulative sum of unique users
notLastMonth = lengths(Map(setdiff, users, lag(users)))) %>% # Compare new users to previous month
select(-users) %>%
right_join(dt) # Join back to the real data
# A tibble: 9 × 6
# mth new totNew notLastMonth date user
# <fctr> <int> <int> <int> <fctr> <fctr>
# 1 2010-01 2 2 2 2010-01-10 123
# 2 2010-01 2 2 2 2010-01-11 123
# 3 2010-01 2 2 2 2010-01-12 180
# 4 2010-02 2 4 2 2010-02-13 129
# 5 2010-02 2 4 2 2010-02-14 129
# 6 2010-02 2 4 2 2010-02-14 184
# 7 2010-03 1 5 2 2010-03-22 145
# 8 2010-03 1 5 2 2010-03-23 180
# 9 2010-03 1 5 2 2010-03-24 145
答案 1 :(得分：4)
这里的另一个想法是从制表＆＃34;用户＆＃34;每个＆＃34; mth＆＃34;：
table(dt[c("user", "mth")]) > 0L
假设这条路径很可能导致内存问题，我们可以从稀疏的替代方案开始：
library(Matrix)
tab = as(xtabs( ~ user + mth, dt, sparse = TRUE) > 0L, "TsparseMatrix")
tab
#5 x 3 sparse Matrix of class "lgTMatrix"
# 2010-01 2010-02 2010-03
#123 | . .
#129 . | .
#145 . . |
#180 | . |
#184 . | .
然后，拥有＆＃34; mth＆＃34; （作为列索引）每个＆＃34;用户＆＃34;第一次出现：
tapply(tab@j, rownames(tab)[tab@i + 1L], min) + 1L
#123 129 145 180 184
# 1 2 3 1 2
我们可以找到每个＆＃34; mth＆＃34;：
的新条目数new = setNames(tabulate(tapply(tab@j, rownames(tab)[tab@i + 1L], min) + 1L,
ncol(tab)),
colnames(tab))
new
#2010-01 2010-02 2010-03
# 2 2 1
和新条目的累计总和：
totNew = cumsum(new)
totNew
#2010-01 2010-02 2010-03
# 2 4 5
并且，减去＆＃34;用户＆＃34;的数量每个＆＃34;＆＃34;＆＃34;存在于＆＃34; mth＆＃34;和它以前的：
setNames(colSums(cbind(FALSE, tab[, -ncol(tab)]) & tab), colnames(tab))
#2010-01 2010-02 2010-03
# 0 0 0
来自每月的用户数量：
colSums(tab)
#2010-01 2010-02 2010-03
# 2 2 2
我们得到：
notLast = colSums(tab) - colSums(cbind(FALSE, tab[, -ncol(tab)]) & tab)
notLast
#2010-01 2010-02 2010-03
# 2 2 2
达到所需输出的一种方法可能是：
merge(dt, data.frame(mth = names(new), new, totNew, notLast), by = "mth")
# mth date user new totNew notLast
#1 2010-01 2010-01-10 123 2 2 2
#2 2010-01 2010-01-11 123 2 2 2
#3 2010-01 2010-01-12 180 2 2 2
#4 2010-02 2010-02-13 129 2 4 2
#5 2010-02 2010-02-14 129 2 4 2
#6 2010-02 2010-02-14 184 2 4 2
#7 2010-03 2010-03-22 145 1 5 2
#8 2010-03 2010-03-23 180 1 5 2
#9 2010-03 2010-03-24 145 1 5 2
答案 2 :(得分：3)
由于还没有人发布，这是我的首选方式：
library(zoo)
dt <- dt %>% mutate(ym = as.yearmon(mth))
ct_dt = dt %>% distinct(user, ym) %>% arrange(user, ym) %>%
group_by(user) %>% mutate(last_ym = dplyr::lag(ym)) %>%
group_by(ym) %>% summarise(
new = sum(is.na(last_ym)),
not_last_ym = sum(is.na(last_ym) | 12*(ym - last_ym) > 1)
)
# # A tibble: 3 x 3
# ym new not_last_ym
# <S3: yearmon> <int> <int>
# 1 Jan 2010 2 2
# 2 Feb 2010 2 2
# 3 Mar 2010 1 2
如果您真的想要cumsum列，可以从此处获取new的{{1}};如果你真的想要查看这些数据（令人困惑地）在多行上展开，你可以totNew left_join和ct_dt。
或者使用data.table ...
dt答案 3 :(得分：2)
这是纯碱R解决方案。当变量不是因子并假设数据按月排序时，它最有效。
# get list of active monthly users
activeUsers <- lapply(unique(dt$mth), function(i) unique(dt[dt$mth==i, "user"]))
# get accumulating list of all users
allUsers <- Reduce(union, activeUsers, accumulate=TRUE)
现在，所有月度用户都存储在activeUsers中，并且所有用户的增长列表都存储在allUsers中。有了这些信息，我们就可以轻松计算出前两个变量。
# get the calculations
totNew <- lengths(allUsers)
new <- c(totNew[1], diff(totNew))
notLastMonth <- c(totNew[1], lengths(lapply(seq_along(activeUsers)[-1],
function(i) setdiff(activeUsers[[i]], activeUsers[[i-1]]))))
lengths函数有效地计算每个列表项的长度。第二行使用diff来计算新用户的数量。第二行和第三行都使用totNew变量添加初始值（2）。第三行涉及更多，并使用setdiff和lapply构建上个月不存在的月份中的活动用户集。 lengths再次被用来计算。
#merge on to data set
merge(dt, data.frame(mth=unique(dt$mth), new=new, totNew=totNew, notLastMonth=notLastMonth),
by="mth")
mth date user new totNew notLastMonth
1 2010-01 2010-01-10 123 2 2 2
2 2010-01 2010-01-12 180 2 2 2
3 2010-01 2010-01-11 123 2 2 2
4 2010-02 2010-02-13 129 2 4 2
5 2010-02 2010-02-14 129 2 4 2
6 2010-02 2010-02-14 184 2 4 2
7 2010-03 2010-03-23 180 1 5 2
8 2010-03 2010-03-22 145 1 5 2
9 2010-03 2010-03-24 145 1 5 2
数据
dt <- data.frame(date,mth,user, stringsAsFactors=FALSE)