dataframe - 如何对 julia DataFrame 中的分组记录进行分组和排名

Question

在 julia 中，我想在数据框中的一列给出的组内生成一个排名，并根据第二列生成排名。我想将每组中的排名和行数添加到数据框中的新列中。当按 :id 分组并按 :b 排名时，以下内容似乎符合我的要求(这是正确的吗？)，但我无法为排名列命名。这是否足够高效，或者我应该在对 :id 和 :b 排序后简单地循环执行？在我的实际数据/应用程序中，我将拥有数百万行和数十万个唯一组。

 x = DataFrame(id=["a","b","a","c","c","a","c","a","a","c"], 
                b=[2,5,7,8,3,9,1,10,4,6], 
                c=["one","two","three","four","five","six","seven","eight","nine","ten"])
 y = combine(groupby(x,:id), sdf -> sort(sdf,:b), s->1:nrow(s), nrow => :n)

这个输出是正确的，除了我想给'x1'一个像'rank'这样的列名:

 Row │ id      b      c       x1     n     
     │ String  Int64  String  Int64  Int64 
─────┼─────────────────────────────────────
   1 │ a           2  one         1      5
   2 │ a           4  nine        2      5
   3 │ a           7  three       3      5
   4 │ a           9  six         4      5
   5 │ a          10  eight       5      5
   6 │ b           5  two         1      1
   7 │ c           1  seven       1      4
   8 │ c           3  five        2      4
   9 │ c           6  ten         3      4
  10 │ c           8  four        4      4

Answer 1

这是给排名列命名的方法:

julia> combine(groupby(x,:id), sdf -> sort(sdf,:b), s->(rank=1:nrow(s),), nrow => :n)
10×5 DataFrame
 Row │ id      b      c       rank   n
     │ String  Int64  String  Int64  Int64
─────┼─────────────────────────────────────
   1 │ a           2  one         1      5
   2 │ a           4  nine        2      5
   3 │ a           7  three       3      5
   4 │ a           9  six         4      5
   5 │ a          10  eight       5      5
   6 │ b           5  two         1      1
   7 │ c           1  seven       1      4
   8 │ c           3  five        2      4
   9 │ c           6  ten         3      4
  10 │ c           8  four        4      4

或者(这对我来说似乎有点干净)

julia> combine(groupby(x,:id), sdf -> sort(sdf,:b), :id => eachindex => :rank, nrow => :n)
10×5 DataFrame
 Row │ id      b      c       rank   n
     │ String  Int64  String  Int64  Int64
─────┼─────────────────────────────────────
   1 │ a           2  one         1      5
   2 │ a           4  nine        2      5
   3 │ a           7  three       3      5
   4 │ a           9  six         4      5
   5 │ a          10  eight       5      5
   6 │ b           5  two         1      1
   7 │ c           1  seven       1      4
   8 │ c           3  five        2      4
   9 │ c           6  ten         3      4
  10 │ c           8  four        4      4

(有一个 PR 打开以添加一个选项以更轻松地添加行号 --- 如果您觉得这有用，请在此处发表评论)

关于您关于性能的问题，以下可能会更快；权衡是在对大数据帧进行一次排序与多次对小数据帧进行排序之间:

transform!(groupby(sort(x, [:id, :b]), :id), :id => eachindex => :rank, nrow => :n)

当您在完整数据集上运行此比较时，如果能得到有关比较的反馈会很有趣。