r - 基于数据帧 R 中的组的条件聚合

Question

让

Data_Frame <- data.frame(Col1 = c("A1", "A1", "A1", "A2", "A2", "A2", "A3", "A3", "A3"),
    
                         Col2 = c("2011-03-11", "2014-08-21", "2016-01-17", "2017-06-30", "2018-07-11", "2018-11-28", "2019-09-04", "2020-02-29", "2020-07-12"),
                  
                         Col3 = c("2018-10-22", "2019-05-24", "2020-12-25", "2018-10-12", "2019-09-24", "2020-12-19", "2018-10-22", "2019-06-14", "2020-12-20"),
              
                         Col4 = c(4, 2, 2, 1, 4, 4, 4, 4, 4),
             
                         Col5 = c(7, 6, 3, 1, 3, 2, 5, 1, 2))

Data_Frame$Col2 <- as.Date(Data_Frame$Col2)
Data_Frame$Col3 <- as.Date(Data_Frame$Col3)
Data_Frame$Col1 <- as.factor(Data_Frame$Col1)

Data_Frame <- Data_Frame %>% group_by(Col1) %>% mutate(Col6 = lubridate::time_length(lubridate::interval(Col2, max(Col3)), "years"))

Data_Frame <- Data_Frame %>% group_by(Col1) %>% dplyr::mutate(Col7 = ifelse(Col6 <= 1, 1, ifelse(Col6 >1 & Col6 <=2, 2, ifelse(Col6 >2 & Col6 <=5, 5, ifelse(Col6 >5 & Col6 <=10, 10, 11)))))

Data_Frame <- as.data.frame(Data_Frame)

是其中 Col6 表示 Col2 和 Col3 之间的时间差的数据帧，其中 Col2 的元素从 Col1 中 A1 到 A3 各组中 Col3 中最大的日期元素减去，Col7 表示 Col6 中哪些元素 <=1，<=2， <=5 和 <=10。
不同条件生成的附加列存在问题。

Last1Col7 到 Last10Col7 的生成:

新列 Last1Col7 到 Last10Col7 基于 Col7 创建，并将 Col7 中的 A1 到 A3 分组，使得

Last1Col7 表示 Col7 中有多少个元素(行数)
<=每组1个，

Last2Col7 对应于行数 <=2 in
每组，

Last5Col7 对应于每行 <=5 的行数
组等等。

预期的结果是:

以下代码:

Data_Frame1 <- Data_Frame %>% group_by(Col1) %>% dplyr::mutate(Last1Col7 = nrow(Data_Frame[Data_Frame$Col7 <= 1, ]),
                                                               
                                                               Last2Col7 = nrow(Data_Frame[Data_Frame$Col7 <= 2, ]),
                                                               
                                                               Last5Col7 = nrow(Data_Frame[Data_Frame$Col7 <= 5, ]),
                                                               
                                                               Last10Col7 = nrow(Data_Frame[Data_Frame$Col7 <= 10, ]))

导致完全不同的结果:

Last1SumCol4Col7 到 Last10SumCol4Col7 的生成:

Last1SumCol4Col7 是 Col4 中条目的总和，对应 Col7 中的条目数(行数)<=1 在 Col1 中 A1 到 A3 的每组中，

Last2SumCol4Col7 是 Col4 中条目的总和，对应于 Col1 中 A1 到 A3 的每组中 Col7 中有多少条目(行数)<=2，

Last5SumCol4Col7 是 Col4 中条目的总和，对应于 Col7 中的条目数(行数)<=5 在 Col1 中的每组 A1 到 A3 中，

Last10SumCol4Col7 是Col4中条目的总和，对应Col7中每组A1到A3中有多少条目(行数)<=10

预期的结果是:

使用以下代码:

Data_Frame1 <- Data_Frame %>% group_by(Col1) %>% dplyr::mutate(Last1SumCol4Col7 = sum(Data_Frame[Data_Frame$Col7 <=1, ]$Col4),
                                                              
                                                              Last2SumCol4Col7 = sum(Data_Frame[Data_Frame$Col7 <=2, ]$Col4),
                                                              
                                                              Last5SumCol4Col7 = sum(Data_Frame[Data_Frame$Col7 <=5, ]$Col4),
                                                              
                                                              Last10SumCol4Col7 = sum(Data_Frame[Data_Frame$Col7 <=10, ]$Col4))

结果是:

从 Last1Col7 到 Last10Col7 和 Last1SumCol4Col7 到 Last10SumCol4Col7 的所有初始条目为零的列开始，然后使用上面的代码也无济于事。 1 和 3 下的代码从根本上出了什么问题？

Answer 1

我们可以使用 map循环比较中使用的值，然后按“Col1”分组，通过取 sum 在每个循环中创建两列'Col7' 小于或等于循环的值，以及 sum 'Col4' 的对应值，其中 'Col7' 小于或等于该值

library(purrr)
library(dplyr)
map_dfc(c(1, 2, 5, 10), ~ Data_Frame %>%
     group_by(Col1) %>% 
     transmute(!! sprintf("Last%dCol7", .x) := sum(Col7 <= .x),
               !! sprintf("Last%dSumCol4Col7", .x) := sum(Col4[Col7<= .x])) %>% 
     ungroup %>%
     select(-Col1)) %>% 
 bind_cols(Data_Frame, .)

-输出

#Col1       Col2       Col3 Col4 Col5      Col6 Col7 Last1Col7 Last1SumCol4Col7 Last2Col7 Last2SumCol4Col7 Last5Col7 Last5SumCol4Col7 Last10Col7
#1   A1 2011-03-11 2018-10-22    4    7 9.7917808   10         0                0         0                0         1                2          3
#2   A1 2014-08-21 2019-05-24    2    6 6.3452055   10         0                0         0                0         1                2          3
#3   A1 2016-01-17 2020-12-25    2    3 4.9371585    5         0                0         0                0         1                2          3
#4   A2 2017-06-30 2018-10-12    1    1 3.4712329    5         0                0         0                0         3                9          3
#5   A2 2018-07-11 2019-09-24    4    3 2.4410959    5         0                0         0                0         3                9          3
#6   A2 2018-11-28 2020-12-19    4    2 2.0575342    5         0                0         0                0         3                9          3
#7   A3 2019-09-04 2018-10-22    4    5 1.2931507    2         2                8         3               12         3               12          3
#8   A3 2020-02-29 2019-06-14    4    1 0.8060109    1         2                8         3               12         3               12          3
#9   A3 2020-07-12 2020-12-20    4    2 0.4410959    1         2                8         3               12         3               12          3
#  Last10SumCol4Col7
#1                 8
#2                 8
#3                 8
#4                 9
#5                 9
#6                 9
#7                12
#8                12
#9                12

OP 代码中的问题给出错误 sum是因为 Data_Frame[Data_Frame$Col7 <=2, ]正在破坏组并获取整个列子集而不是组内的子集。内 tidyverse ，我们不需要 Data_Frame$ ，如果我们需要指定数据，使用 .或 cur_data() .另外，这里我们只需要 Col7 <=2