Question

我有一个包含两列和70,000行的数据框。在下面的示例中，一列提供了一个家庭的标识符，列b。另一栏是指家庭中的个体，在1到n的编号中有一些错误（可能是1,2,3或1,4,5），在下面的例子中列a。

我正在尝试使用层次聚类，将家庭中的个人数量作为特征。我在下面写的代码计算一个家庭中的个人数量，并将它们放在正确的列和行中，但是我需要几分钟的实际数据集，我假设它的大小。有没有更好的方法来获取这些信息？

fake.data <- data.frame(a = c(1,1,5,6,7,1,2,3,1,2,4), b = c("a", "a", "a", "a", "a", "b", "b", "b", "c", "c", "c"))
fake.cluster <- data.frame(b = unique(fake.data$b))
fake.cluster$members <- sapply(fake.cluster$b, function(x)     length(unique(subset(fake.data, fake.data$b == x)$a)))

Answer 1

不知道这是否更快，但您可以通过各种方式使用dplyr。一种方法：获取不同的行，然后计算b。

library(dplyr)
fake.cluster <- fake.data %>%
  distinct() %>%
  count(b)

Answer 2

以下是使用data.table

的选项

library(data.table)
setDT(fake.data)[, .(members = uniqueN(a)), b]
#   b members
#1: a       4
#2: b       3
#3: c       3

更好地对数据帧中的值进行子集化和计数

2 个答案: