r - 从 R 中的每个组中选择不同数量的元素

Question

我正在参加 Kaggle Instacart 竞赛，但我对 R 还很陌生，遇到了一些我想不通的事情。

我有一个包含 4 列的数据集。第一列是订单 ID (id1)。第二列是产品 ID (id2)。第三列是我想从订单 id1 中选择产品 id2 的概率，我们可以将其视为排名，因此总是选择较高的概率而不是较小的概率。最后，第四列是我要从给定订单中选择的产品数量(订单的一个特征)。因此，例如，我这里有数据框 df 的前 12 行:

        id1        id2       prob       num
1        17      13107   0.4756982        3
2        17      21463   0.3724126        3
3        17      38777   0.3534422        3
4        17      21709   0.3364623        3
5        17      47766   0.3364623        3
6        17      39275   0.3165896        3
7        34      16083   0.4093785        4
8        34      39475   0.3892882        4
9        34      47766   0.3892882        4
10       34       2596   0.3837562        4
11       34      21137   0.3762758        4
12       34      47792   0.3737032        4

我们可以看到，从 id1 = 17 我想选择 3 个元素，而对于 id1 = 34 我想选择 4 个元素。结果应该是

ID1     ID2
 17     13107, 21463, 38777
 34     16083, 39475, 47766, 2596

或类似的东西。

目前我已经尝试使用

df %>% group_by(id1) %>% top_n(n = num)

但是我得到了错误

Selecting by num
Error in is_scalar_integerish(n) : object 'num' not found

有人知道我会怎么做吗？

谢谢

Answer 1

您可以将分组数据直接通过管道传输到 summarise 语句中:

df %>% group_by(id1) %>% summarise(id2 = toString(id2[seq_len(first(num))]))
## A tibble: 2 x 2
#    id1                       id2
#  <int>                     <chr>
#1    17       13107, 21463, 38777
#2    34 16083, 39475, 47766, 2596

在此语句中，id2[seq_len(first(num))] 用于提取每个组的第一个 num，创建一个从 1 到 num 并且该序列用于对前 X 个 id2 值进行子集化。

toString 为每个 id1 组创建一个字符串。

---

这是另一个使用 aggregate 的基本 R 选项:

aggregate(id2 ~ id1, FUN=toString, subset(df, ave(id1, id1, FUN=seq_along) <= num))
#  id1                       id2
#1  17       13107, 21463, 38777
#2  34 16083, 39475, 47766, 2596

---

请注意，我假设数据已经按递减概率排序(如示例中所示)。