Question

假设我有以下数据框（注意'得分'的长度）：

id = 1:10^8
school = LETTERS[1:10]
class = paste0(school, rep(1:10, each=10))
score = rnorm(10^8)

df = data.frame(id, school, class, score,
                stringsAsFactors = FALSE)

我想计算100个班级中每个班级的平均值。然而，我也想要保持学校变量的结果。使用dplyr：

df %>% group_by(class) %>% 
  summarise(mean = mean(score),
            school = unique(school))

这样可行，但速度很慢（我的机器上有8秒钟，而且我的数据实际上要大得多）。我认为一个选项可能不是使用unique（）而是join（）系列的成员。但我需要先定义另一个df如下：

df_join = data.frame(class, school,
                     stringsAsFactors = FALSE)

然后：

df %>% group_by(class) %>% 
    summarise(mean = mean(score)) %>% 
    left_join(df_join)

这有效并且速度较慢，因为现在需要6秒。然而，在这里创建df_join很容易，因为我发明了数据帧，但在现实生活中，获取df_join可能更具挑战性。所以我想只使用原始数据帧（df）。

有什么想法让dplyr更容易（也许更快）？（我在那里嘲笑，但找不到解决办法：Aggregate by factor levels, keeping other variables in the resulting data frame）

Answer 1

由于每个班级只有一个独特的学校，您可以简单地将学校变量包含在分组变量中：

df %>% group_by(school, class) %>% summarize(mean_score = mean(score))
# # A tibble: 100 x 3
# # Groups:   school [?]
# school class mean_score
# <chr>  <chr>      <dbl>
# 1 A      A1      0.000506
# 2 A      A10    -0.000275
# 3 A      A2      0.00136 
# 4 A      A3      0.000405
# 5 A      A4     -0.00156 
# 6 A      A5     -0.00214 
# 7 A      A6     -0.00108 
# 8 A      A7     -0.000534
# 9 A      A8      0.000804
# 10 A      A9      0.00106 
# # ... with 90 more rows

这是一个data.table等价物：

library(data.table)
setDT(df, key = c("school", "class"))
df[, .(mean_score = mean(score)), by=.(school, class)]

使用dplyr聚合数据框，同时保留其他变量

1 个答案: