R - 如何使用包含 id 的向量列表对数据帧进行子集化和求和？

Question

我有一个数据框如下：

nearby_ids <- NULL

for (i in 1:10){
string <- paste(as.character(sample(setdiff(1:10,i), sample(setdiff(1:10,i)))), collapse = ",")
nearby_ids <- c(nearby_ids, string)}

my_df <- data.frame(school_id=1:10, classes=sample(1:50, 10), nearby_schools_id = nearby_ids, stringsAsFactors = FALSE)

看起来是这样的：

变量“school_id”和“classes”是整数，nearth_schools_id 是字符。

我想要的是以下内容（希望不经过循环）：

对于每一行，我想获取 near_schools_ids，将它们用作索引来对数据框进行子集化，对于那个子集化的数据框，我想对“类”求和。

这个想法是，我想知道附近所有学校的班级总数。

预期： 所以以第 1 行为例，我想输出 122 (= 46+8+44+24)。

我知道我需要在这里使用strsplit。但我试图避免循环和应用（）（我有大约 300 万行，我想要最有效的方式）。 当我实现strsplit(my_df$nearby_schools_id, ",") 时，我立即得到了一个向量列表，这使得事情变得稍微复杂了。

对此有矢量化解决方案吗？ 最好的解决方法是什么？

感谢任何帮助

Answer 1

类似于@Ronak 的逻辑，但匹配过程可以批量完成。
现在更新以考虑附近学校的空列表

spl <- strsplit(my_df$nearby_schools_id, ",", fixed=TRUE)
sa <- seq_along(spl)
my_df$result <- tapply(
    my_df$classes[match(unlist(spl),my_df$school_id)],
    factor(rep(sa, lengths(spl)), levels=sa),
    FUN=sum
)

测试 300 万行：

my_df <- my_df[rep(1:10,3e5),]
my_df$school_id <- 1:3e6

system.time({
spl <- strsplit(my_df$nearby_schools_id, ",", fixed=TRUE)
tapply(
    my_df$classes[match(unlist(spl),my_df$school_id)],
    rep(seq_along(spl), lengths(spl)),
    FUN=sum
)
})
##   user  system elapsed 
## 10.206   0.492  10.698

Answer 2

我认为如果不进行任何拆分，您实际上无法做到这一点。试试这个方法：

my_df$result <- sapply(strsplit(my_df$nearby_schools_id, ','), function(x) 
                       sum(my_df$classes[as.numeric(x)]))

如果您的数据未按学校 ID 排序，或者您没有连续的 ID 序列，您可以使用 match 获取正确的 ID。

my_df$result <- sapply(strsplit(my_df$nearby_schools_id, ','), function(x)
                  sum(my_df$classes[match(as.numeric(x), my_df$school_id)]))