根据组的“ DNA”为每个组分配唯一ID的更快方法

Question

我有一个问题，我需要根据整个组的特征对记录进行分组，但是对于我正在使用的数据集的大小，我目前的解决方案太慢了。

示例数据集：

A   B   C
555 A1 K500
555 B2 H650
556 A1 K600
556 B2 H700

所以我需要创建一个新列，该列将为每个组提供有关该组的更多信息，而不仅仅是A列中的信息（例如555）。

示例输出：

我当前的解决方案如下所示，但是对于我的数据集而言，花费的时间太长了：

DNA <- function(x) {
Subset = filter(
    df,
    A==x)

Subset$Concat = paste(Subset$B,Subset$C,sep="")
toString(Subset$Concat)
}

df$DNA= mapply(DNA, df$A)

Answer 1

在dplyr中，类似：

library(dplyr)

df %>%
group_by(A) %>%
mutate(
D = paste(paste(B, C, sep = " "), collapse = " ")
)

在data.table中：

library(data.table)

setDT(df)[, D := paste(paste(B, C, sep = " "), collapse = " "), by = A]

编辑：我重新运行了您的示例，并看到您生成的列DNA结构略有不同。

如果要获得这样的列，只需将dplyr中的内部部分替换为DNA = paste(paste0(B, C), collapse = ", ")，并将DNA := paste(paste0(B, C), collapse = ", ")中的data.table替换。

我也通过microbenchmark运行它，因为您说过您对速度感兴趣（单位为毫秒）：

DNA function：4.013901

dplyr：1.664197

data.table：0.7746959

Answer 2

这是一个base R选项

df1$D <- do.call(paste, df1[-1]) 
merge(df1[, -4], aggregate(D ~ A, df1, FUN = paste, collapse = " "), by = "A")
#    A  B    C               D
#1 555 A1 K500 A1 K500 B2 H650
#2 555 B2 H650 A1 K500 B2 H650
#3 556 A1 K600 A1 K600 B2 H700
#4 556 B2 H700 A1 K600 B2 H700

数据

df1 <- structure(list(A = c(555L, 555L, 556L, 556L), B = c("A1", "B2", 
"A1", "B2"), C = c("K500", "H650", "K600", "H700")), .Names = c("A", 
"B", "C"), class = "data.frame", row.names = c(NA, -4L))