r - 使用 ddply 分配组 ID

Question

来自 R 新手的非常基本的性能问题。我想通过字段的唯一组合为数据框中的每一行分配一个组 ID。这是我目前的方法:

> # An example data frame
> df <- data.frame(name=c("Anne", "Bob", "Chris", "Dan", "Erin"), 
                   st.num=c("101", "102", "105", "102", "150"), 
                   st.name=c("Main", "Elm", "Park", "Elm", "Main"))
> df
   name st.num st.name
1  Anne    101    Main
2   Bob    102     Elm
3 Chris    105    Park
4   Dan    102     Elm
5  Erin    150    Main
> 
> # A function to generate a random string
> getString <- function(size=10) return(paste(sample(c(0:9, LETTERS, letters), size, replace=TRUE), collapse=''))
>
> # Assign a random string for each unique street number + street name combination
> df <- ddply(df, 
              c("st.num", "st.name"), 
              function(x) transform(x, household=getString()))
> df
   name st.num st.name  household
1  Anne    101    Main 1EZWm4BQel
2   Bob    102     Elm xNaeuo50NS
3   Dan    102     Elm xNaeuo50NS
4 Chris    105    Park Ju1NZfWlva
5  Erin    150    Main G2gKAMZ1cU

虽然这适用于行数相对较少或组数较少的数据框，但我遇到了具有许多独特组的较大数据集(> 100,000 行)的性能问题。

有什么建议可以提高这项任务的速度吗？可能与 plyr 的实验性 idata.frame() 一起使用？或者我在这一切都错了吗？

在此先感谢您的帮助。

Answer 1

尝试使用 id功能(也在plyr中):

df$id <- id(df[c("st.num", "st.name")], drop = TRUE)

更新:
id自 dplyr 版本 0.5.0 起，函数被认为已弃用。
函数 group_indices提供相同的功能。