3

97M 行の長いテーブルがあります。各行には、ユーザーが実行したアクションの情報とそのアクションのタイムスタンプが次の形式で含まれます。

actions <- c("walk","sleep", "run","eat")
people <- c("John","Paul","Ringo","George")
timespan <- seq(1000,2000,1)

set.seed(28100)
df.in <- data.frame(who = sample(people, 10, replace=TRUE),
                    what = sample(actions, 10, replace=TRUE),
                    when = sample(timespan, 10, replace=TRUE))

df.in
#       who  what when
# 1    Paul   eat 1834
# 2    Paul sleep 1295
# 3    Paul   eat 1312
# 4   Ringo   eat 1635
# 5    John sleep 1424
# 6  George   run 1092
# 7    Paul  walk 1849
# 8    John   run 1854
# 9  George sleep 1036
# 10  Ringo  walk 1823

各アクションは、人によって実行されるか実行されない可能性があり、アクションはどのような順序で実行されてもかまいません。

データセットの一連のアクションを要約することに興味があります。特に、各人について、1 番目、2 番目、3 番目、4 番目に実行されたアクションを見つけたいと考えています。アクションが複数回実行された場合、最初に発生したアクションのみに関心があります。それから誰かが走って、食べて、食べて、走って、寝たらrun、 、eat、などの要約に興味がありsleepます。

df.out <- data.frame(who = factor(character(), levels=people),
                     action1 = factor(character(), levels=actions),
                     action2 = factor(character(), levels=actions),
                     action3 = factor(character(), levels=actions),
                     action4 = factor(character(), levels=actions))

forloop で必要なものを取得できます。

for (person in people) {
  tmp <- subset(df.in, who==person)
  tmp <- tmp[order(tmp$when),]
  chrono_list <- unique(tmp$what)
  df.out <- rbind(df.out, data.frame(who = person,
                                     action1 = chrono_list[1],
                                     action2 = chrono_list[2],
                                     action3 = chrono_list[3],
                                     action4 = chrono_list[4]))
}

df.out
#        who action1 action2 action3 action4
#   1   John   sleep     run    <NA>    <NA>
#   2   Paul   sleep     eat    walk    <NA>
#   3  Ringo     eat    walk    <NA>    <NA>
#   4 George   sleep     run    <NA>    <NA>

この結果は、より効率的な方法でループなしでも取得できますか?

4

4 に答える 4

5

dcastのdevelバージョンから使用できますdata.table。v1.9.5. からインストールできますhere

library(data.table)#v1.9.5+
dcast(setDT(df.in)[order(when),action:= paste0('action', 1:.N) ,who],
                           who~action, value.var='what')

unique「誰」ごとに「何」が必要な場合

dcast(setDT(df.in)[, .SD[!duplicated(what)], who][order(when),
    action:= paste0('action', 1:.N), who], who~action, value.var='what')
#         who action1 action2 action3
#1: George   sleep     run      NA
#2:   John   sleep     run      NA
#3:   Paul   sleep     eat    walk
#4:  Ringo     eat    walk      NA

または、使用.Iするともう少し速くなります

 ind <- setDT(df.in)[,.I[!duplicated(what)], who]$V1 

 dcast(df.in[ind][order(when),action:= paste0('action', 1:.N) ,who], 
            who~action, value.var='what')

または、参照によってデータセットを並べ替えるため、メモリ効率の良いsetorderandを使用します。uniquesetorder

 dcast(unique(setorder(setDT(df.in), who, when), by=c('who', 'what'))[,
     action:= paste0('action', 1:.N), who], who~action, value.var='what')
 #     who action1 action2 action3
 #1: George   sleep     run      NA
 #2:   John   sleep     run      NA
 #3:   Paul   sleep     eat    walk
 #4:  Ringo     eat    walk      NA
于 2015-05-13T16:14:48.357 に答える
3

dplyrコンボ+を使用することもできますtidyr

library(dplyr)
library(tidyr)

df.in %>%
  group_by(who) %>%
  mutate(when = rank(when), when = paste0("action", when)) %>%
  spread(key = when, value = what)
 ##      who action1 action2 action3 action4
 ## 1 George   sleep     run      NA      NA
 ## 2   John   sleep     run      NA      NA
 ## 3   Paul   sleep     eat     eat    walk
 ## 4  Ringo     eat    walk      NA      NA

編集

列の最初の出現だけが必要な場合は、最初whatにデータをフィルタリングするだけです

df.in %>%
  arrange(when) %>%
  group_by(who) %>%
  filter(!duplicated(what)) %>%
  mutate(when = rank(when), when = paste0("action", when)) %>%
  spread(key = when, value = what)
##      who action1 action2 action3
## 1 George   sleep     run      NA
## 2   John   sleep     run      NA
## 3   Paul   sleep     eat    walk
## 4  Ringo     eat    walk      NA
于 2015-05-13T16:20:47.773 に答える
0

これは、より伝統的な を使用した方法split-apply-combineです。for{dplyr} および {data.table} ソリューションは、このタイプの {base} R ソリューションよりも一般的であるように見えますが、ループよりも慣用的な R コードです。このメソッドは{reshape2} から使用しますが、純粋な {base} R ソリューションにdcastも使用できます。reshape()

forこの方法は、質問で指定されたループよりもはるかに高速ではない可能性があります。与えられた 3 つの方法が大規模なデータセットに対してどのように比較されるかを知りたいと思います。私は初心者で、最近 R データ操作の学習に取り組んでいます。どんなフィードバックでも大歓迎です。

library(reshape2)

#Split the data by person and apply the function
actions <- lapply(split(df.in, df.in$who), function(tmp) {

    tmp <- tmp[order(tmp$when),]
    dup <- duplicated(tmp$what)
    df.out <- data.frame(who = tmp$who[!dup], what = tmp$what[!dup])
    df.out$actionNo <- paste("action", c(1:nrow(df.out)), sep = "")
    return(df.out)

})

#Combine the results
act_rbind <- do.call(rbind, actions)
act_cast <- dcast(act_rbind, who ~ actionNo, value.var = "what")
print(act_cast)

    #      who action1 action2 action3
    # 1 George   sleep     run    <NA>
    # 2   John   sleep     run    <NA>
    # 3   Paul   sleep     eat    walk
    # 4  Ringo     eat    walk    <NA>
于 2015-05-14T04:39:53.940 に答える
0

plyr にタグを付けているようですが、dplyr でタグ付けすることもできます。以下のようなものが動作するはずです：

df.in %>%
    group_by(who) %>%
    arrange(when) %>%
    summarise(action1 = first(what),
              action2 = nth(what, 2),
              action3 = nth(what, 3),
              action4 = last(what))
于 2015-05-13T16:19:44.920 に答える