group_by 和有条件地变异 + 计数

Posted 2023-02-16

【中文标题】group_by 和有条件地变异 + 计数

【英文标题】：group_by and conditionally mutate + count

【发布时间】：2022-01-04 15:04:30

【问题描述】：

我有以下示例数据框（原来有超过 200,000 行：

df <- tribble(~ id, ~ birth_year,
                 1,         2015,
                 1,         2015,
                 1,         2016,
                 2,         2008,
                 2,         2010,
                 3,         2010,
                 3,         2014,
                 3,         2014,
                 3,         2014,
                 4,         2010,
                 4,         2011,
                 4,         2012,
                 4,         2013)

我想按 id 分组并计算出生年份与 id 重复的次数。理想情况下获得这个：

df_wanted <- tribble(~ id, ~ birth_year, ~ n,
                        1,         2015,   2,
                        1,         2015,   2,
                        1,         2016,   2,
                        2,         2008,   0,
                        2,         2010,   0,
                        3,         2010,   3,  
                        3,         2014,   3,
                        3,         2014,   3,
                        3,         2014,   3,
                        4,         2010,   0,
                        4,         2011,   0,
                        4,         2012,   0,
                        4,         2013,   0)

有什么建议吗？我遇到了有条件地计算特定值，但没有像我的示例那样重复的情况。

【问题讨论】：

嗨@Paula，我认为您的输出中有一个错误（n 列）：两个和三个应该分别是一个和两个，或者零应该是一个。这有意义吗？

【参考方案1】：

使用dplyr，您可以尝试以下操作。如果没有重复，则将n 设置为零。如果有，则使用table获取birth_year的频率，然后使用mutate存储max的数字。

library(dplyr)

df %>%
  group_by(id) %>%
  mutate(n = ifelse(anyDuplicated(birth_year), max(table(birth_year)), 0))

输出

      id birth_year     n
   <dbl>      <dbl> <dbl>
 1     1       2015     2
 2     1       2015     2
 3     1       2016     2
 4     2       2008     0
 5     2       2010     0
 6     3       2010     3
 7     3       2014     3
 8     3       2014     3
 9     3       2014     3
10     4       2010     0
11     4       2011     0
12     4       2012     0
13     4       2013     0

---

data.table 的替代方案可能更快：

library(data.table)

setDT(df)[, n := ifelse(anyDuplicated(birth_year), max(table(birth_year)), 0), id]

---

或基础R：

within(df,  n <- ave(birth_year, id, FUN = function(x) ifelse(anyDuplicated(x), max(table(x)), 0)) )

【参考方案2】：

当您说“按 id 和计数分组”时，您的意思是聚合吗？ 如果是这样，我相信这会成功：

df %>% 
  count(id, birth_year)

如果您的意思是要添加一个包含 id 和出生年份计数的列（如您的 df_wanted 所示），那么您正在寻找 add_count 函数：

df %>% 
  add_count(id, birth_year)

您可以从 R for data science book 或 dplyr 文档中学到很多。