Question

我发现dplyr快速，简单地汇总和汇总数据。但是我找不到使用dplyr解决以下问题的方法。

给出以下数据帧：

df_2017 <- data.frame(
  expand.grid(1:195,1:65,1:39), 
  value = sample(1:1000000,(195*65*39)),
  period = rep("2017",(195*65*39)),
   stringsAsFactors = F
)

df_2017 <- df_2017[sample(1:(195*65*39),450000),]

names(df_2017) <- c("company", "product", "acc_concept", "value", "period")

df_2017$company <- as.character(df_2017$company)
df_2017$product <- as.character(df_2017$product)
df_2017$acc_concept <- as.character(df_2017$acc_concept)
df_2017$value <- as.numeric(df_2017$value)

ratio_df <- data.frame(concept=c("numerator","numerator","numerator","denom", "denom", "denom","name"),
ratio1=c("1","","","4","","","Sales over Assets"),
ratio2=c("1","","","5","6","","Sales over Expenses A + B"), stringsAsFactors = F)

df_2017中的列为：

company =这是公司从1到195的分类变量
product =这是一个分类，家庭电器产品的范围是1到65。例如，1可以等于熨斗，2可以等于电视机，等等
acc_concept =这是一个分类变量，其会计概念从1到39。例如，1等于“销售”，2等于“总费用”，3等于“退货”，4到“资产等
value =这是一个数字变量，USD从1到100.000.000
期间 =分类变量。总是2017年

expand.grid暗示，公司-产品-acc_concept 的组合永远不会重复，但是，可能会发生某些主题没有每个公司-产品-acc_concept 的情况。 em>组合。这就是代码行“ df_2017 <-df_2017 [sample（1：195 * 65 * 39），450000），]”的原因，也是输出可能变为NA的原因（见下文）。

ratio_df中的列在哪里：

概念 =哪个acc_concept对应于分子，哪个对应于分子分母，即比率的名称
ratio1 = acc_concept和ratio1的名称
ratio2 = acc_concept和ratio2的名称

我想为每个公司内的每种产品计算acc_concept之间的2个比率（ratio_df）。

例如：

我从ratio_df中获取第一个比率“ acc_concepts”和“ name”：

num_acc_concept   <- ratio_df[ratio_df$concept == "numerator", 2]
denom_acc_concept <- ratio_df[ratio_df$concept == "denom", 2]
ratio_name        <- ratio_df[ratio_df$concept == "name", 2]

然后我计算一家公司的一种产品的比率，只是为了表明您想要我要做的事情：

ratio1_value <- sum(df_2017[df_2017$company == 1 & df_2017$product == 1 & df_2017$acc_concept %in% num_acc_concept, 4]) / sum(df_2017[df_2017$company == 1 & df_2017$product == 1 & df_2017$acc_concept %in% denom_acc_concept, 4])

输出：

output <- data.frame(Company="1", Product="1", desc_ratio=ratio_name, ratio_value = ratio1_value, stringsAsFactors = F)

就像我之前说的，我想为每个公司的每个产品做到这一点

输出data.frame可能是类似的东西（比率不是真正的比率，因为我还没有完成计算）：

company    product   desc_ratio              ratio_value
1           1        Sales over Assets           0.9303675
1           2        Sales over Assets           1.30
1           3        Sales over Assets           Nan
1           4        Sales over Assets           Inf
1           5        Sales over Assets           2.32
1           6        Sales over Assets           NA
.
.
.
1           1        Sales over Expenses A + B   3.25
.
.
.
2           1        Sales over Assets          0.256

以此类推...

比率为0/0时的NaN
比率为数字/ 0时的信息
没有特定公司和产品的数据时不适用。

我希望这次我已经说清楚了：）

有什么方法可以用dplyr解决此行问题吗？我应该将df_2017进行变异吗？在这种情况下，哪种铸造方法是最好的？

欢迎任何帮助！

Answer 1

这是一种实现方式。最后，我将代码计时到了所有记录上。

首先创建一个函数来创建所有比率。请注意，此功能仅在dplyr代码内有用。

ratio <- function(data){
  result <- data.frame(desc_ratio = rep(NA, ncol(ratio_df) -1), ratio_value = rep(NA, ncol(ratio_df) -1))

  for(i in 2:ncol(ratio_df)){
    num   <- ratio_df[ratio_df$concept == "numerator", i]
    denom <- ratio_df[ratio_df$concept == "denom", i]
    result$desc_ratio[i-1] <- ratio_df[ratio_df$concept == "name", i]
    result$ratio_value[i-1] <- sum(ifelse(data$acc_concept %in% num, data$value, 0)) / sum(ifelse(data$acc_concept %in% denom, data$value, 0))
  }
  return(result)
}

使用dplyr，tidyr和purrr将所有内容放在一起。首先对数据进行分组，嵌套函数所需的数据，然后对嵌套数据进行mutate操作。删除不需要的嵌套数据和嵌套以获取所需的输出。我将整理工作交给您。

library(dplyr)
library(purrr)
library(tidyr)
output <- df_2017 %>%
  group_by(company, product, period) %>% 
  nest() %>% 
  mutate(ratios = map(data, ratio)) %>% 
  select(-data) %>% 
  unnest

output

# A tibble: 25,350 x 5
   company product period desc_ratio                ratio_value
   <chr>   <chr>   <chr>  <chr>                           <dbl>
 1 103     2       2017   Sales over Assets               0.733
 2 103     2       2017   Sales over Expenses A + B       0.219
 3 26      26      2017   Sales over Assets               0.954
 4 26      26      2017   Sales over Expenses A + B       1.01 
 5 85      59      2017   Sales over Assets               4.14 
 6 85      59      2017   Sales over Expenses A + B       1.83 
 7 186     38      2017   Sales over Assets               7.85 
 8 186     38      2017   Sales over Expenses A + B       0.722
 9 51      25      2017   Sales over Assets               2.34 
10 51      25      2017   Sales over Expenses A + B       0.627
# ... with 25,340 more rows

以system.time为单位在我的计算机上运行此代码所花费的时间：

   user  system elapsed 
   6.75    0.00    6.81

R-dplyr-如何更改行或行之间的分隔

1 个答案: