在 R 数据帧中生成随机数，这些随机数在相似行中是恒定的

Question

我有一个数据框，每个“用户”包含 X 行，其中 X 在用户之间不是恒定的。我想做的是能够生成随机数来填充新列，但是对于每个“用户”，与该用户对应的所有行的随机数都是相同的。例如，数据可能如下所示：

user    feature1     feature2
 1        "A"           "B"
 1        "L"           "L"
 1        "Q"           "B"
 1        "D"           "M"
 1        "D"           "M"
 1        "P"           "E"
 2        "A"           "B"
 2        "R"           "P"
 2        "A"           "F"
 3        "X"           "U"
...       ...           ...

我想生成一个可能看起来像这样的新列：

user    feature1     feature2   new_rand
 1        "A"           "B"       0.183
 1        "L"           "L"       0.183
 1        "Q"           "B"       0.183
 1        "D"           "M"       0.183
 1        "D"           "M"       0.183
 1        "P"           "E"       0.183
 2        "A"           "B"       0.971
 2        "R"           "P"       0.971
 2        "A"           "F"       0.971
 3        "X"           "U"       0.302
...       ...           ...

我做的第一种方法基本上是使用s <- split(df, df$user)，但数据框包含大量用户，我认为这可能是一种效率极低的方法。

非常感谢。

Answer 1

我们可以试试data.table。我们将 'data.frame' 转换为 'data.table' (setDT(df1))，按 'user' 分组，我们得到一个随机数 (rnorm(1)) 并分配 (:=) 以创建 'new_rand'

library(data.table)
setDT(df1)[, new_rand := rnorm(1)  , by = user]

---

或者我们可以使用dplyr。

library(dplyr)
df1 %>%
   group_by(user) %>%
   mutate(new_rand = rnorm(1)) 

或者left_join的另一个选项

distinct(df1, user) %>%
      mutate(new_rand=rnorm(n())) %>%
      left_join(df1, ., by='user')

Answer 2

@akrun 的方法是一个很好的一次性方法，但它没有利用矢量化（我们在user 的每个级别内重复调用rnorm 一次），所以它可能在缓慢的一面。更通用的方法是：

library(data.table)
setDT(df)
df[unique(df, by = "user")[ , new_rand := rnorm(.N)],
   new_rand := i.new_rand, on = "user"]

这里发生了什么？ unique 返回一个新的data.table，其中删除了所有重复的观察结果（由by 定义，此处为user）；然后我们向这个新对象添加一列 ([, := ])。最后，这个增强的data.table 被连接回原始表。

请注意，这里我们只调用一次rnorm，返回一个大小正好合适的向量。然后我们将其连接回原始数据集，根据需要将值“传播”到每个user 的所有观察结果中。

或分配给更具体的组，例如user 和 feature1 和 feature2：

grps <- c("user", "feature1", "feature2")
df[unique(df, by = grps)[ , new_rand := rnorm(.N)],
   new_rand := i.new_rand, on = grps]

Answer 3

和一个基本的 R 解决方案：

df_ <- data.frame(user = c(1, 1, 1, 1, 1, 1, 2, 2, 2, 3), feature1  = c("A", "L", "Q", "D", "D", "P", "A", "R", "A", "X"), feature2 = c("B", "L", "B", "M", "M", "E", "B", "P", "F", "U"))

tmp <- by(df_, df_[, 'user'], FUN = function(x) data.frame(x, new_rand = rnorm(1)))
do.call(rbind, tmp)

#     user feature1 feature2   new_rand
# 1.1    1        A        B -0.6145338
# 1.2    1        L        L -0.6145338
# 1.3    1        Q        B -0.6145338
# 1.4    1        D        M -0.6145338
# 1.5    1        D        M -0.6145338
# 1.6    1        P        E -0.6145338
# 2.7    2        A        B -1.4292151
# 2.8    2        R        P -1.4292151
# 2.9    2        A        F -1.4292151
# 3      3        X        U -0.3309754

或者按照akrun的建议：

df_[, 'new_rand'] <- ave(seq_along(df_$user), df_$user, FUN = function(x) rnorm(1))