使用 group_by 和 summarise 时出现重复行
Posted
技术标签:
【中文标题】使用 group_by 和 summarise 时出现重复行【英文标题】:Duplicated rows emerging when using group_by and summarise 【发布时间】:2015-07-27 13:47:06 【问题描述】:我有一个数据表,当使用 summarise 函数和 group_by 时,我得到了重复的行。
我将举一个简单的例子来说明我的问题。 首先,我使用 group_by 和 mutate 来为每个 id 添加“value”的总和。
dt <- data.table(id = rep(1:5, each=10), cpc = rep((0.1*seq(5)), each=2), value = 1:50)
dt2 <- dt %>%
group_by(id) %>%
mutate(SumValue = sum(value))
Source: local data table [50 x 4]
id cpc value SumValue
1 1 0.1 1 55
2 1 0.1 2 55
3 1 0.2 3 55
4 1 0.2 4 55
5 1 0.3 5 55
6 1 0.3 6 55
7 1 0.4 7 55
8 1 0.4 8 55
9 1 0.5 9 55
10 1 0.5 10 55
.. .. ... ... ...
到目前为止,没有任何问题。 但在那之后,当我对每个 id、cpc 组合执行 group_by 并使用 summarise 时,输出结果与我预期的不同。 数字是正确的,但是有重复的行。
dt2 %>%
group_by(id, cpc) %>%
summarise(count = n(), SumValue = SumValue)
Source: local data table [50 x 4]
Groups: id
id cpc count SumValue
1 1 0.1 2 55
2 1 0.1 2 55
3 1 0.2 2 55
4 1 0.2 2 55
5 1 0.3 2 55
6 1 0.3 2 55
7 1 0.4 2 55
8 1 0.4 2 55
9 1 0.5 2 55
10 1 0.5 2 55
.. .. ... ... ...
使用 unique() 可以得到想要的结果,但我认为这不是必需的。
dt2 %>%
group_by(id, cpc) %>%
summarise(count = n(), SumValue = SumValue) %>%
unique()
Source: local data table [25 x 4]
Groups: id
id cpc count SumValue
1 1 0.1 2 55
2 1 0.2 2 55
3 1 0.3 2 55
4 1 0.4 2 55
5 1 0.5 2 55
6 2 0.1 2 155
7 2 0.2 2 155
8 2 0.3 2 155
9 2 0.4 2 155
10 2 0.5 2 155
.. .. ... ... ...
我认为当 add=FALSE 时 group_by 设置组,所以我不知道为什么会出现重复的行。
【问题讨论】:
试试dt2 %>% group_by(id, cpc) %>% summarise(count=n(), SumValue=SumValue[1L])
。在dt2
中,您使用mutate
创建了SumValue
,因此每个id
必须有多个具有相同SumValue
的行
感谢 akrun,您的解决方案似乎可以在不使用 unique() 的情况下工作。现在我发现问题出在 SumValue=SumValue 部分。
【参考方案1】:
我不确定确切的问题,但是当您将向量分配给汇总变量时,您通常需要选择向量的一个元素。因此,在这种情况下,您需要选择“SumValue”的哪个值分配给汇总的“SumValue”。我通常只使用变量 [1] 来执行此操作,但首先(变量)可能会更好。这会为您提供您正在寻找的结果吗?
dt <- data_frame(id = rep(1:5, each=10),
cpc = rep((0.1*seq(5)), each=10),
value = 1:50)
dt2 <- dt %>%
group_by(id) %>%
mutate(SumValue = sum(value))
dt2
dt2 %>%
group_by(id, cpc) %>%
summarise(count = n(), SumValue = first(SumValue))
【讨论】:
我忘记了“SumValue”是一个向量,我应该选择其中的一个元素。感谢您指出 Shorpy。【参考方案2】:尝试以这种方式使用 unique。不确定这是否会有所帮助。
R> df <- data.frame(a=c(1,2,3,4,3,2), b=c(4,5,6,6,4,3))
R> unique(unlist(df))
[1] 1 2 3 4 5 6
【讨论】:
以上是关于使用 group_by 和 summarise 时出现重复行的主要内容,如果未能解决你的问题,请参考以下文章
R语言dplyr包使用dplyr函数使用group_by函数summarise函数和mutate函数计算分组占比实战
为啥 ``mean`` 函数不能在函数环境中与 ``group_by %>% summarise`` 一起正常工作?
R语言dplyr包使用group_by函数和summarise函数计算单分类变量分组均值ggplot2可视化线图(line plot)并设置线条类型为虚线(set line types)
R语言dplyr包使用group_by函数和summarise函数计算单分类变量分组均值ggplot2可视化线图(line plot)并设置线条类型为虚线(set line types)
R语言使用dplyr包使用group_by函数summarise函数和mutate函数计算分组下的均值标准差样本个数以及分组均值的95%执行区间对应的下限值和上限值(Calculate CI)