Question

使用图书馆（tidyverse）。

我有一个非常大的数据框，其结构如下（成千上万的观察结果按STATION分为31个级别）：

 A tibble: 31 x 5
   STATION     NAME       LONGITUDE LATITUDE ELEVATION
   <fct>       <list>     <list>    <list>   <list>   
 1 US1ORLA0001 <chr [31]> <NULL>    <NULL>   <NULL>   
 2 US1ORLA0003 <chr [31]> <NULL>    <NULL>   <NULL>   
 3 US1ORLA0004 <chr [31]> <NULL>    <NULL>   <NULL>   
 4 US1ORLA0005 <chr [31]> <NULL>    <NULL>   <NULL>   
 5 US1ORLA0031 <chr [31]> <NULL>    <NULL>   <NULL>   
 6 US1ORLA0040 <chr [31]> <NULL>    <NULL>   <NULL>   
 7 US1ORLA0050 <chr [31]> <NULL>    <NULL>   <NULL>   
 8 US1ORLA0076 <chr [31]> <NULL>    <NULL>   <NULL>   
 9 US1ORLA0088 <chr [31]> <NULL>    <NULL>   <NULL>   
10 US1ORLA0089 <chr [31]> <NULL>    <NULL>   <NULL>   
 ... with 21 more rows

我还使用以下代码创建了该数据集的摘要版本：

summary <- raw %>%
  group_by(STATION) %>%
  summarise(count = n()) %>% 
  arrange(desc(count))

结果：

# A tibble: 31 x 2
   STATION     count
   <fct>       <int>
 1 USC00353995 17136
 2 USC00351324 14110
 3 USR0000OHIG 11610
 4 USR0000OVIL 11500
 5 USR0000OGOO 10855
 6 USC00352972 10068
 7 USR0000ODUN  8286
 8 USC00355204  5880
 9 USR0000OCLY  4514
10 USC00352973  4295
# ... with 21 more rows

我的目标是以left_join的方式将原始数据小节连接到摘要数据小节上，这将导致一个数据帧每级一行（STATION因子），一个COUNT列，其余的列原始数据（名称，long，lat，ele）。像这样：

# A tibble: 31 x 6
# Groups:   STATION [31]
   STATION     count NAME                       LONGITUDE LATITUDE ELEVATION
   <fct>       <int> <fct>                          <dbl>    <dbl>     <dbl>
 1 USC00353995 17136 HONEYMAN STATE PARK, OR US     -124.     43.9      35.1
# ... with 30 more rows

我尝试使用以下命令来做到这一点：

desired_output <- left_join(summary, raw, by = c("STATION" = "STATION"))

我希望这将保留x的行（每个级别1个）和y的列。问题是，它也保留了所有y形式的行，因此我得出以下结论：

# A tibble: 135,905 x 6
# Groups:   STATION [31]
   STATION     count NAME                       LONGITUDE LATITUDE ELEVATION
   <fct>       <int> <fct>                          <dbl>    <dbl>     <dbl>
 1 USC00353995 17136 HONEYMAN STATE PARK, OR US     -124.     43.9      35.1
 2 USC00353995 17136 HONEYMAN STATE PARK, OR US     -124.     43.9      35.1
 3 USC00353995 17136 HONEYMAN STATE PARK, OR US     -124.     43.9      35.1
 4 USC00353995 17136 HONEYMAN STATE PARK, OR US     -124.     43.9      35.1
 5 USC00353995 17136 HONEYMAN STATE PARK, OR US     -124.     43.9      35.1
 6 USC00353995 17136 HONEYMAN STATE PARK, OR US     -124.     43.9      35.1
 7 USC00353995 17136 HONEYMAN STATE PARK, OR US     -124.     43.9      35.1
 8 USC00353995 17136 HONEYMAN STATE PARK, OR US     -124.     43.9      35.1
 9 USC00353995 17136 HONEYMAN STATE PARK, OR US     -124.     43.9      35.1
10 USC00353995 17136 HONEYMAN STATE PARK, OR US     -124.     43.9      35.1
# ... with 135,895 more rows

这对我的目的没有用。

实现此目标和类似结果的最佳方法是什么？我愿意以完全不同的方式进行操作（不使用摘要等）。

Answer 1

data.table方式：

showImage: boolean = false;

Answer 2

我们在原始数据集上创建一列“计数”，然后在列上应用distinct，以便每个组仅获得一个观察值

library(dplyr)
raw %>% 
     group_by(STATION) %>% 
     mutate(count = n()) %>% 
     ungroup %>% 
     distinct(STATION, .keep_all = TRUE)

注意：在输入数据集中，某些列显示为list。根据显示的预期输出尚不清楚

将一个数据框连接到另一个内容上，该数据框具有由分类变量汇总的相同内容

2 个答案: