Question

我的数据集大约有300万行，结构如下：

PatientID| Year | PrimaryConditionGroup
---------------------------------------
1        | Y1   | TRAUMA
1        | Y1   | PREGNANCY
2        | Y2   | SEIZURE
3        | Y1   | TRAUMA

作为R的新手，我在找到将数据重塑为下面结构的正确方法时遇到了一些麻烦：

PatientID| Year | TRAUMA | PREGNANCY | SEIZURE
----------------------------------------------
1        | Y1   | 1      | 1         | 0
2        | Y2   | 0      | 0         | 1
3        | Y1   | 1      | 0         | 1

我的问题是：创建data.frame的最快/最优雅的方法是什么，其中PrimaryConditionGroup的值成为列，按PatientID和Year（计算出现次数）分组？

Answer 1

可能有更简洁的方法可以做到这一点，但是对于纯粹的速度，很难超越基于data.table的解决方案：

df <- read.table(text="PatientID Year  PrimaryConditionGroup
1         Y1    TRAUMA
1         Y1    PREGNANCY
2         Y2    SEIZURE
3         Y1    TRAUMA", header=T)

library(data.table)
dt <- data.table(df, key=c("PatientID", "Year"))

dt[ , list(TRAUMA =    sum(PrimaryConditionGroup=="TRAUMA"),
           PREGNANCY = sum(PrimaryConditionGroup=="PREGNANCY"),
           SEIZURE =   sum(PrimaryConditionGroup=="SEIZURE")),
   by = list(PatientID, Year)]

#      PatientID Year TRAUMA PREGNANCY SEIZURE
# [1,]         1   Y1      1         1       0
# [2,]         2   Y2      0         0       1
# [3,]         3   Y1      1         0       0

编辑： aggregate()提供“基本R”解决方案，可能会或可能不会更具惯用性。（唯一的复杂因素是聚合返回一个矩阵，而不是data.frame;下面的第二行修复了这个。）

out <- aggregate(PrimaryConditionGroup ~ PatientID + Year, data=df, FUN=table)
out <- cbind(out[1:2], data.frame(out[3][[1]]))

第二次编辑最后，使用reshape包的简洁解决方案可以让您到达同一个地方。

library(reshape)
mdf <- melt(df, id=c("PatientID", "Year"))
cast(PatientID + Year ~ value, data=j, fun.aggregate=length)

Answer 2

在版本melt中，C中实现了快速dcast和>=1.9.0 data.table特定方法。这里与@Josh的帖子中关于300万行数据的其他优秀答案进行了比较（仅排除基数:::汇总，因为它花了很长时间）。

有关NEWS条目的更多信息，请转到here。

我假设您有1000名患者，总共5年。您可以相应地调整变量patients和year。

require(data.table) ## >= 1.9.0
require(reshape2)

set.seed(1L)
patients = 1000L
year = 5L
n = 3e6L
condn = c("TRAUMA", "PREGNANCY", "SEIZURE")

# dummy data
DT <- data.table(PatientID = sample(patients, n, TRUE),
                 Year = sample(year, n, TRUE), 
                 PrimaryConditionGroup = sample(condn, n, TRUE))

DT_dcast <- function(DT) {
    dcast.data.table(DT, PatientID ~ Year, fun.aggregate=length)
}

reshape2_dcast <- function(DT) {
    reshape2:::dcast(DT, PatientID ~ Year, fun.aggregate=length)
}

DT_raw <- function(DT) {
    DT[ , list(TRAUMA = sum(PrimaryConditionGroup=="TRAUMA"),
            PREGNANCY = sum(PrimaryConditionGroup=="PREGNANCY"),
              SEIZURE = sum(PrimaryConditionGroup=="SEIZURE")),
    by = list(PatientID, Year)]
}

# system.time(.) timed 3 times
#         Method Time_rep1 Time_rep2 Time_rep3
#       dcast_DT     0.393     0.399     0.396
#    reshape2_DT     3.784     3.457     3.605
#         DT_raw     0.647     0.680     0.657

dcast.data.table比使用data.table的正常聚合快约1.6倍，比reshape2:::dcast快8.8倍。

将变量值重新整形为列的最快方法

2 个答案:

将变量值重新整形为列的最快​​方法

2 个答案:

将变量值重新整形为列的最快方法