R:仅当键值相同并且键在连续行中重复时，如何对行中的值求和？

Question

我有这个结构的以下数据表:

+-------------------+
| id  | key | value |
+-----+-----+-------+
| 1   | A   | 1000  |
| 1   | A   | 2000  |
| 1   | B   | 2001  |
| 1   | A   | 2002  |
| 1   | A   | 2004  |
| 2   | B   | 2002  |
| 2   | C   | 2002  |
+-------------------+

我的目标是按 id 和 key 对值求和，但不仅仅是按 id 和 key 分组，我只想对连续行的 id 和 key 对相同的值求和。

结果应该是:

+-------------------+
| id  | key | value |
+-----+-----+-------+
| 1   | A   | 3000  |
| 1   | B   | 2001  |
| 1   | A   | 4006  |
| 2   | B   | 2002  |
| 2   | C   | 2002  |
+-------------------+

有没有办法达到这个结果？

Answer 1

我们可以使用 rleid来自 data.table .

我们将“data.frame”转换为“data.table”。从“key”列创建另一个分组列“ind”。按 'id' 和 'ind' 分组，我们得到 sum 'value' 并获取 'key' 的第一个元素。我们可以将 'ind' 分配给 NULL，因为在预期的输出中不需要它。

library(data.table)
setDT(df1)[,list(value = sum(value), key=key[1L]),
                    by = .(ind=rleid(key), id)][, ind:=NULL][]
#   id value key
#1:  1  3000   A
#2:  1  2001   B
#3:  1  4006   A
#4:  2  2002   B
#5:  2  2002   C

或者正如@Frank 建议的那样，我们可以在 rleid 中使用多列，将其作为分组变量，获取其他变量的第一个元素和 sum 'value'，将不需要的列分配给 NULL避免复制。

setDT(df1)[, list(id=id[1L], key=key[1L], value=sum(value)) ,
        by = .(r=rleid(id, key))][, r:= NULL][]
#   id key value
#1:  1   A  3000
#2:  1   B  2001
#3:  1   A  4006
#4:  2   B  2002
#5:  2   C  2002

或者我们可以使用 dplyr .我们通过比较'key'的相邻元素来创建分组变量'ind'，并得到 sum 'value' 和 first 'key' 的元素与 summarise .

library(dplyr)
df1 %>%
     group_by(ind= cumsum(key!=lag(key, default=TRUE)), id) %>%
     summarise(value=sum(value), key=first(key)) %>% 
     ungroup() %>%
     select(-ind)
#  id value key
#1  1  3000   A
#2  1  2001   B
#3  1  4006   A
#4  2  2002   B
#5  2  2002   C

注意:在 dplyr 中和 data.table我们还可以将“key”列作为分组变量并删除 key=key[1L]或 key=first(key)) .

或者我们 transform通过创建“ind”列并使用 aggregate 来创建数据集来自 base R得到预期的输出

df1 <- transform(df1, ind = cumsum(c(TRUE,head(key,-1)!=tail(key,-1))))
aggregate(value~., df1, FUN=sum)[-3]
#  id key value
#1  1   A  3000
#2  1   B  2001
#3  1   A  4006
#4  2   B  2002
#5  2   C  2002

数据

df1 <- structure(list(id = c(1L, 1L, 1L, 1L, 1L, 2L, 2L), key = c("A", 
"A", "B", "A", "A", "B", "C"), value = c(1000L, 2000L, 2001L, 
2002L, 2004L, 2002L, 2002L)), .Names = c("id", "key", "value"
), class = "data.frame", row.names = c(NA, -7L))