Question

我有一个data.table，其中有属于多个分组的记录。我想计算两个变量属于同一组的记录数，其中分组变量可能包含一些NA。

以下示例数据：

library(data.table)

mydt <- data.table(id = c(1,2,3,4,5,6), 
                   travel = c("no travel", "morocco", "algeria", 
                              "morocco", "morocco", NA), 
                   cluster = c(1,1,1,2,2,2))

> mydt
   id    travel cluster
1:  1 no travel       1
2:  2   morocco       1
3:  3   algeria       1
4:  4   morocco       2
5:  5   morocco       2
6:  6      <NA>       2

在上面的示例中，我想按集群计算有多少人前往每个目的地。

最初，我使用.N表示法，如下所示：

mydt[, ndest1 := as.double(.N), by = c("cluster", "travel")]

> mydt
   id    travel cluster ndest1
1:  1 no travel       1     1
2:  2   morocco       1     1
3:  3   algeria       1     1
4:  4   morocco       2     2
5:  5   morocco       2     2
6:  6      <NA>       2     1

但是，将NA视为一个值-出于我的目的，此方法效果不佳，因为我后来想使用max(...)来确定最多人旅行到的每个集群（上述集群2中的摩洛哥）是哪个目的地并且如果给定群集中有很多NA，则“ NA”将被错误地标记为最受欢迎的目的地。

然后我尝试改用sum()，因为这很直观，也可以排除NA：

mydt[, ndest2 := sum(!is.na(travel)), by = c("cluster", "travel")]

> mydt
   id    travel cluster ndest1 ndest2
1:  1 no travel       1      1      1
2:  2   morocco       1      1      1
3:  3   algeria       1      1      1
4:  4   morocco       2      2      1
5:  5   morocco       2      2      1
6:  6      <NA>       2      1      0

这会给出错误的结果-经过进一步的测试，这似乎是因为我在sum(...)中使用了与by语句中的分组变量之一相同的逻辑语句变量

当我使用其他变量时，除了无法以这种方式排除NA之外，我将获得所需的结果：

mydt[, ndest3 := sum(!is.na(id)), by = c("cluster", "travel")]

> mydt
   id    travel cluster ndest1 ndest2 ndest3
1:  1 no travel       1      1      1      1
2:  2   morocco       1      1      1      1
3:  3   algeria       1      1      1      1
4:  4   morocco       2      2      1      2
5:  5   morocco       2      2      1      2
6:  6      <NA>       2      1      0      1

这使我想到两个问题：

在data.table条件计数中，如何排除NA？
为什么相同的变量不能在求和逻辑状态中使用，并且不能在by之后用作分组变量？

任何见解将不胜感激。

Answer 1

您可以在NA中排除i

mydt[!is.na(travel), ndest1 := .N, by = .(travel, cluster)][]
#   id    travel cluster ndest1
#1:  1 no travel       1      1
#2:  2   morocco       1      1
#3:  3   algeria       1      1
#4:  4   morocco       2      2
#5:  5   morocco       2      2
#6:  6      <NA>       2     NA

带两个分组变量的r data.table中的条件计数

1 个答案: