R 频率表包含 0

Question

我正在处理一个大约有 700 000 行的 data.frame。它包含来自 twitter 的 statusupdates 的 ID 和相应的用户名。我只想知道那里有多少不同的用户以及他们发了多少次推文。所以我认为这是一个非常简单的使用表格的任务。但是我注意到我得到了不同的结果。

最近我将列转换为这样的字符

>freqs <- as.data.frame(table(as.character(w_dup$from_user))
>nrow(freqs)
[1] 239678

2个月前我就是这样做的

>freqs <- as.data.frame(table(w_dup$from_user)
>nrow(freqs)
[1] 253594

我注意到这样数据框包含频率为 0 的用户名。这怎么可能？如果用户名在数据集中，它必须至少出现一次。

？表没有帮助我。我也无法在较小的数据集上重现这个问题。

我做错了什么。还是我误解了表格的使用？

Answer 1

列的类型是这里的问题，还要记住，在对数据框进行子集化时，因子水平保持不变:

# Full data frame
(df <- data.frame(x = letters[1:3], y = 1:3))
  x y
1 a 1
2 b 2
3 c 3
# Its structure - all three levels as it should be
str(df)
'data.frame':   3 obs. of  2 variables:
 $ x: Factor w/ 3 levels "a","b","c": 1 2 3
 $ y: int  1 2 3
# A smaller data frame
(newDf <- df[1:2, ])
  x y
1 a 1
2 b 2
# But the same three levels
str(newDf)
'data.frame':   2 obs. of  2 variables:
 $ x: Factor w/ 3 levels "a","b","c": 1 2
 $ y: int  1 2

所以第一列包含因子。在这种情况下:

table(newDf$x)

a b c 
1 1 0 

所有级别( "a","b","c" )都被考虑在内。和这里

table(as.character(newDf$x))

a b 
1 1 

它们不再是因素。