Question

我有一个包含大约100万条记录和80列的大型数据集。为了加快处理速度，我使用的是data.table。我需要根据条件创建一个新列，我在data.table

中失去了如何做到这一点

以下是示例数据的代码：

set.seed(1200)
N_Blocks = 1348
cyc=200
City1 <- vector()
City2 <- vector()
a1 <- vector()
a2 <- vector()

for (a in 1:cyc) {
City1 <- sample(paste("City", formatC(a, width=nchar(cyc), flag="0"), sep=""),N_Blocks,rep=T)
a1 <- sample(0:1,N_Blocks,rep = T)

City2 <- append(City2,City1)
a2 <- append(a2,a1)
}

df1 <- data.frame(City2,a2)

现在要求是每个城市（目前我们在这个样本数据中有200个城市）和a2 == 1我需要创建一个新的列，其总数为1，分为12个月。例如City001＆amp; a2 == 1种子为1200我得到671条记录。因此，新列月需要代码 01-12 。因此，第一个56记录，其中a2 == 1将具有代码01然后接下来56个记录将具有代码02等等.....并且City001的最后55个记录具有a2 == 1将具有代码12（因此总数增加到671）。比如在12个月内为每个城市分割a2的选择。

我们可以从命令

获取城市级别的选择摘要

table(df1$City2,df1$a2)

我们可以使用data.table来实现吗？

Answer 1

使用：

library(data.table)
setDT(df1)[a2 == 1, mon := cut(seq_along(a2), 12, sprintf('%02d',1:12)), by = City2][]

给出：

          City2 a2 mon
     1: City001  1  01
     2: City001  1  01
     3: City001  1  01
     4: City001  1  01
     5: City001  0  NA
    ---               
269596: City200  1  12
269597: City200  0  NA
269598: City200  1  12
269599: City200  1  12
269600: City200  1  12

这是做什么的：

使用setDT(df1)，data.frame将转换为data.table（仍然是data.frame）。
数据使用a2 == 1进行过滤，并与by = City2分组。
最后，通过引用为mon选定的行创建新列cut。
对于City2 - 列的每个组，cut分割一个序列（seq_along(a2);以1开头，以groupsize结尾，即{{1}在12个（几乎）相等的部分中，对于第一组）。每个部分都有一个相应的标签（671）。有关详细信息，请参阅sprintf('%02d',1:12)。

上述方法的缺点是最终记录数量最少的中断。通过总结结果可以显示：

?cut

要在最后获得较少数量的记录，您可以使用：

> df1[a2 == 1, .N, by = .(City2,mon)][1:24]
      City2 mon  N
 1: City001  01 56
 2: City001  02 56
 3: City001  03 56
 4: City001  04 56
 5: City001  05 56
 6: City001  06 56
 7: City001  07 55
 8: City001  08 56
 9: City001  09 56
10: City001  10 56
11: City001  11 56
12: City001  12 56
13: City002  01 56
14: City002  02 55
15: City002  03 56
16: City002  04 55
17: City002  05 56
18: City002  06 55
19: City002  07 55
20: City002  08 56
21: City002  09 55
22: City002  10 56
23: City002  11 55
24: City002  12 56

第一个解决方案中的中断数（setDT(df1)[a2 == 1, mon := cut(seq_along(a2), {n <- .N/12; br <- c(0, rep(ceiling(n), round((n-floor(n))*12)), rep(floor(n), round((floor(n) - n + 1)*12))); unique(c(cumsum(br),.N))}, sprintf('%02d',1:12)), by = City2][]）被断点向量替换，该断点向量分别在大括号（{{1}之间的部分中为每组12计算}）。这部分以这样的方式计算中断，即观察数量在几个月内没有随机分布，但是观察数量较少的月份总是在最后。

除了上面的解释之外，大括号之间的部分执行以下操作：

首先，每组（City2）中的观察次数除以{n <- .N/12 .... unique(c(cumsum(br),.N))}。通常，这不是整数，而是带小数点后的值的数字。
.N计算第一组（12）的观察次数较多，并重复一定次数，该次数由rep(ceiling(n), round((n-floor(n))*12))的小数值{{1}确定}。
由ceiling(n)确定的较小组（中断）的分组大小是类似的方式。 n确定组的大小，而round((n-floor(n))*12)确定较低组大小所需的组数。
前两个向量与一个起始零（rep(floor(n), round((floor(n) - n + 1)*12))）。
通过使用cumsum，您会得到一个以floor(n)开头的向量，并在末尾添加groupsize（round((floor(n) - n + 1)*12)）。通过将其包装在c(0, rep ... )中，您可以确保获得唯一的中断值。这是必需的，因为当0是一个完美的舍入数字（例如600/12的结果）时，最后一个中断值在向量中出现两次。

同样的检查现在表明这是实现的：

.N

有条件地创建具有data.table中的增量的列

1 个答案: