Question

我正在处理一个数据文件，其中包含来自各个连锁店的产品销售情况，例如超级市场。（来自this dataset，以防万一。该文件包含许多字段：

id-唯一的客户ID
链-商店链ID
dept-类别（例如水）的汇总分组
类别-产品类别（例如苏打水）
company-销售商品的公司的ID
brand-商品所属品牌的ID
日期-购买日期
产品尺寸-购买的产品量（例如16盎司水）
productmeasure-产品购买单位（例如盎司）
购买量-购买的单位数
purchaseamount-购买金额（美元）
productprice-产品价格（根据购买金额/购买量得出）

我想计算每种产品的交易数据集的平均价格。对于本练习，我假设我可以通过以下字段定义唯一产品：类别，品牌，产品尺寸，以便任何唯一产品都对应于这3个字段的唯一组合。

因此，首先我确定数据集中的唯一项以获取所有产品的列表：

#transactions is the name of the data frame
items <- unique(transactions %>% select(category, brand, productsize))

我现在可以将其用作查找表，以从交易数据集中提取独特的产品，并得出每个产品的平均价格。

由于我是新手，所以我只能设法使其（不太优雅）用于 for循环：

for (i in 1:nrow(items)) {
  temp1 <- filter(transactions, category==items[i,1])
  temp2 <- filter(temp1, brand==items[i,2])
  temp3 <- filter(temp2, productsize==items[i,3])
  items$meanvalue[i]<- mean(temp3$productprice)
}

这有效，但是当然很慢。 transaction 数据框有480612个条目，而 items 数据框有56658个。我没有大型数据集的经验，但是我确定问题出在代码上，没有那么大。

pastebin中的示例文件（300行）。

编辑：发现summarise很好用！

avgPrice <- transactions %>% group_by(category, brand, productsize) %>% summarise(avgPrice = mean(productprice))

Answer 1

由于R是向量化的，因此它应该比使用for循环快得多！

# library(tidyverse) # if needed

# get item combinations
itemCombs <- transactions %>% 
  group_by(category, brand, productsize) %>% 
  slice(1) %>% 
  ungroup() %>% 
  mutate(item = 1:n()) %>% 
  select(item, everything())

# append item combinations to original dataset and calculate avg price per item 
avgPrice <- transactions %>% 
  left_join(itemCombs, by = c("category", "brand", "productsize")) %>% 
  select(item, productprice) %>% 
  arrange(item) %>% 
  group_by(item) %>% 
  mutate(nItems = n(),
         sumPrice = sum(productprice)) %>% 
  ungroup() %>% 
  mutate(avgPrice = sumPrice/nItems)

遍历交易文件以得出产品的平均价格

1 个答案: