Question

我有一个带有重复ID的数据框。 ID代表特定实体。 ID是重复的，因为数据集是指每个实体可以多次进行的过程。

以下是一个小例dat：

library(dplyr)
glimpse(dat)
Observations: 6
Variables: 3
$ ID      <dbl> 1, 1, 1, 2, 2, 2
$ Amount  <dbl> 10, 70, 80, 50, 10, 10
$ Product <fct> A, B, C, B, E, A

ID代表实体，Amount代表实体支出的金额，Product代表实体购买的商品。

问题在于我必须“压缩”这些数据。因此，每个ID /实体只能出现一次。对于连续变量，这不是问题，因为我可以简单地计算每个ID的平均值。

library(tidyr)

dat_con_ID <- dat %>% 
    select(ID) %>% 
    unique()

dat_con_Amount <- dat %>% 
    group_by(ID) %>% 
    summarise(Amount = mean(Amount))

dat_con <- inner_join(dat_con_ID, dat_con_Amount, by = "ID")

glimpse(dat_con)
Observations: 2
Variables: 2
$ ID     <dbl> 1, 2
$ Amount <dbl> 53.33333, 23.33333

问题是，我无法计算Product的平均值，因为它是一个分类变量。一个选项是从该因子中制作一个虚拟变量并计算平均值。但由于原始数据框架非常庞大，因此这不是一个好的解决方案。任何想法如何处理这个问题？

Answer 1

修改

另一个想法是count＆＃39;产品＆＃39;根据“ID＆＃39;”，计算“{金额”的mean＆＃39;以及每种产品的相对频率。 spread数据来自＆＃39;产品＆＃39;以宽格式结束数据。 因此，每个ID /实体只能出现一次。

dat %>% add_count(Product, ID) %>% group_by(ID) %>% mutate(Amount = mean(Amount), n = n / n()) %>% unique() %>% spread(Product, n, sep = "_") %>% ungroup() # A tibble: 2 x 6 # ID Amount Product_A Product_B Product_C Product_E # <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> #1 1. 45.0 0.500 0.250 0.250 NA #2 2. 23.3 0.333 0.333 NA 0.333

我的第一次尝试，不是OP正在寻找的，但万一有人感兴趣：

正如@steveb在评论中所建议的那样，您可以将Product汇总为字符串。

library(dplyr) dat %>% group_by(ID) %>% summarise(Amount = mean(Amount), Product = toString( sort(unique(Product))) ) # A tibble: 2 x 3 # ID Amount Product # <dbl> <dbl> <chr> #1 1. 45.0 A, B, C #2 2. 23.3 A, B, E

数据

dat <- structure(list(ID = c(1, 1, 1, 2, 2, 2, 1), Amount = c(10, 70, 80, 50, 10, 10, 20), Product = structure(c(1L, 2L, 3L, 2L, 4L, 1L, 1L), .Label = c("A", "B", "C", "E"), class = "factor")), .Names = c("ID", "Amount", "Product"), row.names = c(NA, -7L), .internal.selfref = <pointer: 0x2c14528>, class = c("tbl_df", "tbl", "data.frame"))

Answer 2

可能是你想要这样做：

我正在使用data.table库。我还通过为ID = 1添加一行来修改您的数据，以便您可以看到输出中的差异。

数据：

library('data.table') dat <- data.table(ID =as.double(c(1, 1, 1, 2, 2, 2,1)), Amount = as.double(c( 10, 70, 80, 50, 10, 10, 20)), Product = factor( c('A', 'B', 'C', 'B', 'E', 'A', 'A')))

代码：

# average amount per id dat[, .(avg_amt = mean(Amount)), by = .(ID) ] # ID avg_amt # 1: 1 45.00000 # 2: 2 23.33333 # average product per id dat[, .SD[, .N, by = Product ][, .( avg_pdt = N/sum(N), Product)], by = .(ID) ] # ID avg_pdt Product # 1: 1 0.5000000 A # 2: 1 0.2500000 B # 3: 1 0.2500000 C # 4: 2 0.3333333 B # 5: 2 0.3333333 E # 6: 2 0.3333333 A # combining average amount and average product per id dat[, .SD[, .N, by = Product ][, .( Product, avg_pdt = N/sum(N), avg_amt = mean(Amount))], by = .(ID) ] # ID Product avg_pdt avg_amt # 1: 1 A 0.5000000 45.00000 # 2: 1 B 0.2500000 45.00000 # 3: 1 C 0.2500000 45.00000 # 4: 2 B 0.3333333 23.33333 # 5: 2 E 0.3333333 23.33333 # 6: 2 A 0.3333333 23.33333

压缩数据框中重复ID的因子变量

2 个答案: