r - 在 R 数据框中按组应用计算

Question

我有这样的数据:

object category country
495647 1        RUS  
477462 2        GER  
431567 3        USA  
449136 1        RUS  
367260 1        USA  
495649 1        RUS  
477461 2        GER  
431562 3        USA  
449133 2        RUS  
367264 2        USA  
...

其中一个对象出现在各种(category, country) 对中，并且国家/地区共享一个类别列表。

我想在其中添加另一列，这将是每个国家/地区的类别权重 - 出现在某个类别的类别中的对象数量，归一化为在一个国家/地区内总和为 1(仅对唯一 (category, country) 对)。

我可以这样做:

aggregate(df$object, list(df$category, df$country), length)

然后从那里计算权重，但是直接在原始数据上执行此操作的更有效和优雅的方法是什么。

期望的示例输出:

object category country weight
495647 1        RUS     .75
477462 2        GER     .5 
431567 3        USA     .5 
449136 1        RUS     .75
367260 1        USA     .25
495649 1        RUS     .75
477461 3        GER     .5
431562 3        USA     .5
449133 2        RUS     .25
367264 2        USA     .25
...

对于唯一的 (category, country) 对，以上内容将在国家/地区内加起来。

Answer 1

具体回答最后一句话:“直接在原始数据上执行此操作的更有效和优雅的方法是什么。”，恰好 data.table为此有一个新功能。

install.packages("data.table", repos="http://R-Forge.R-project.org")
# Needs version 1.8.1 from R-Forge.  Soon to be released to CRAN.

DT 中的数据:

> DT[, countcat:=.N, by=list(country,category)]     # add 'countcat' column
    category country countcat
 1:        1     RUS        3
 2:        2     GER        1
 3:        3     USA        2
 4:        1     RUS        3
 5:        1     USA        1
 6:        1     RUS        3
 7:        3     GER        1
 8:        3     USA        2
 9:        2     RUS        1
10:        2     USA        1

> DT[, weight:=countcat/.N, by=country]     # add 'weight' column
    category country countcat weight
 1:        1     RUS        3   0.75
 2:        2     GER        1   0.50
 3:        3     USA        2   0.50
 4:        1     RUS        3   0.75
 5:        1     USA        1   0.25
 6:        1     RUS        3   0.75
 7:        3     GER        1   0.50
 8:        3     USA        2   0.50
 9:        2     RUS        1   0.25
10:        2     USA        1   0.25

:= 通过引用数据添加一列，这是一项“旧”功能。新功能是它现在可以按组工作。 .N 是一个符号，保存每组中的行数。

这些操作是内存高效的，应该可以扩展到大数据；例如，1e8、1e9 行。

如果您不想包含中间列 countcat，只需在之后将其删除即可。同样，这是一种高效的操作，无论表的大小如何(通过在内部移动指针)都能立即运行。

> DT[,countcat:=NULL]     # remove 'countcat' column
    category country weight
 1:        1     RUS   0.75
 2:        2     GER   0.50
 3:        3     USA   0.50
 4:        1     RUS   0.75
 5:        1     USA   0.25
 6:        1     RUS   0.75
 7:        3     GER   0.50
 8:        3     USA   0.50
 9:        2     RUS   0.25
10:        2     USA   0.25
>