我的数据集的简化版本如下所示：
depth value
1 a
1 b
2 a
2 b
2 b
3 c
我想创建一个新数据集，其中对于“深度”的每个值，我将拥有从顶部开始的唯一值的累积数量。例如
depth cumsum
1 2
2 2
3 3
关于如何做到这一点的任何想法？我对 R 比较陌生。
【问题讨论】：
标签： r unique cumulative-sum
dplyr 尝试。
df %>%
#group_by(group)%>% if you have a third variable and you want to achieve the same results for each group
mutate(cum_unique_entries = cumsum(!duplicated(value))) %>%
group_by(depth) %>% # add group variable for more layers
summarise(cum_unique_entries = last(cum_unique_entries))
【讨论】：
这是另一个尝试：
numvals <- cummax(as.numeric(factor(mydf$value)))
aggregate(numvals, list(depth=mydf$depth), max)
这给出了：
depth x
1 1 2
2 2 2
3 3 3
它似乎也适用于@Arun 的示例：
depth x
1 1 2
2 2 4
3 3 4
4 4 5
5 5 6
6 6 6
【讨论】：
depth 和value 必须同时排序。例如，无论您如何setkey() this data.table: mydf = data.table(data.frame(depth=c(1,1,2,2,6,7), value=c("a", "b", "g", "h", "b", "c")))，此方法都不会计算c 的唯一出现次数。
这可以通过使用sqldf 包的单个SQL 语句以相对简洁的方式编写。假设DF是原始数据框：
library(sqldf)
sqldf("select b.depth, count(distinct a.value) as cumsum
from DF a join DF b
on a.depth <= b.depth
group by b.depth"
)
【讨论】：
depth 是数字，这非常有用。如果depth 是日期的字符串或字符串表示形式，就像我的情况一样，这可能是一个非常昂贵的操作。
我发现这是使用factor 并仔细设置levels 的完美案例。我将在这里使用data.table 来表达这个想法。确保您的 value 列是 character（不是绝对要求）。
第 1 步：只需使用 unique 行，即可将您的 data.frame 转换为 data.table。
require(data.table)
dt <- as.data.table(unique(df))
setkey(dt, "depth") # just to be sure before factoring "value"
第 2 步：将 value 转换为 factor 并强制转换为 numeric。确保自己设置关卡（这很重要）。
dt[, id := as.numeric(factor(value, levels = unique(value)))]
第 3 步：将键列设置为 depth 以进行子集化，只需选择最后一个值
setkey(dt, "depth", "id")
dt.out <- dt[J(unique(depth)), mult="last"][, value := NULL]
# depth id
# 1: 1 2
# 2: 2 2
# 3: 3 3
第 4 步：由于深度增加的行中的所有值都应至少具有上一行的值，因此您应该使用cummax 来获得最终输出。
dt.out[, id := cummax(id)]
编辑：以上代码仅用于说明目的。实际上，您根本不需要第三列。这就是我编写最终代码的方式。
require(data.table)
dt <- as.data.table(unique(df))
setkey(dt, "depth")
dt[, value := as.numeric(factor(value, levels = unique(value)))]
setkey(dt, "depth", "value")
dt.out <- dt[J(unique(depth)), mult="last"]
dt.out[, value := cummax(value)]
这是一个更棘手的例子和代码的输出：
df <- structure(list(depth = c(1, 1, 2, 2, 3, 3, 3, 4, 5, 5, 6),
value = structure(c(1L, 2L, 3L, 4L, 1L, 3L, 4L, 5L, 6L, 1L, 1L),
.Label = c("a", "b", "c", "d", "f", "g"), class = "factor")),
.Names = c("depth", "value"), row.names = c(NA, -11L),
class = "data.frame")
# depth value
# 1: 1 2
# 2: 2 4
# 3: 3 4
# 4: 4 5
# 5: 5 6
# 6: 6 6
【讨论】：
dplyr 版本：df %>% arrange(depth) %>% mutate(value = cummax(as.numeric(factor(value, levels = unique(value))))) %>% arrange(depth, desc(value)) %>% distinct(depth)。
depth和value都是字符串值的情况。谢谢！
这是另一个使用lapply() 的解决方案。使用unique(df$depth) 创建唯一的depth 值向量，然后对于每个这样的值子集，只有depth 等于或小于特定depth 值的value 值。然后计算唯一value 值的长度。此长度值存储在cumsum 中，然后depth=x 将给出特定深度级别的值。使用do.call(rbind,...) 使其成为一个数据框。
do.call(rbind,lapply(unique(df$depth),
function(x)
data.frame(depth=x,cumsum=length(unique(df$value[df$depth<=x])))))
depth cumsum
1 1 2
2 2 2
3 3 3
【讨论】：
一个好的第一步是创建一个TRUE 或FALSE 列，其中TRUE 用于每个值的第一个，FALSE 用于该值的后续出现。这可以使用duplicated 轻松完成：
mydata$first.appearance = !duplicated(mydata$value)
重塑数据最好使用aggregate。在这种情况下，它表示对 depth 的每个子集中的 first.appearance 列求和：
newdata = aggregate(first.appearance ~ depth, data=mydata, FUN=sum)
结果将如下所示：
depth first.appearance
1 1 2
2 2 0
3 3 1
不过，这仍然不是一个累积和。为此，您可以使用 cumsum 函数（然后摆脱旧列）：
newdata$cumsum = cumsum(newdata$first.appearance)
newdata$first.appearance = NULL
回顾一下：
mydata$first.appearance = !duplicated(mydata$value)
newdata = aggregate(first.appearance ~ depth, data=mydata, FUN=sum)
newdata$cumsum = cumsum(newdata$first.appearance)
newdata$first.appearance = NULL
输出：
depth cumsum
1 1 2
2 2 2
3 3 3
【讨论】：