如何根据在具有特定条件的一列上聚合来重塑数据集？

Question

我的数据集基于疾病计数。许多变量是分类变量，例如 WeekSeries、MonthSeries 和 YearSeries。这些标签指的是疾病计数在我的时间序列数据中属于哪个周、月和年。

我面临的问题是构建另一个数据表，该表将根据 WeekSeries、MonthSeries 和 YearSeries 对计数进行求和。我需要我的方法来决定 WeekSeries 1 是编码为 TS1 =1 还是 TS2=1。例如，在原始数据中，您可以看到第三个观察值不属于TS1，而是属于TS2，因为它属于TS2，所以它也有HolidaysPerSeason=10。

我希望该方法决定如果 WeekSeries 1 中的大部分观察属于 TS1=1 和 HolidaysPerSeason =11，那么这将是 WeekSeries=1 的最终类别。

原始数据

 WeekSeries  Counts  TS1  TS2  TS3  TS4  TS5  TS6  HolidaysPerSeason
     1         0      1    0    0    0    0    0          11
     1         1      1    0    0    0    0    0          11
     1         1      0    1    0    0    0    0          10

理想格式

WeekSeries  Counts  TS1  TS2  TS3  TS4  TS5  TS6  HolidaysPerSeason
     1        2      1    0    0    0    0    0          11
     

这种格式是构建回归模型和其他分析所必需的。

这是与我的真实数据相似的假数据：

    # a couple of the variables within my data
    JulianDate<-c(10985, 10986,10987)
    DateRcd<-c(NA,NA,"2000-01-31")
    Counts<-c(0,1,1)
    Day<-c("Sat","Sun","Mon")
    Weekend<-c(1,1,0)
    Season<-c(1,1,2)
    HolidaysPerSeason<-c(11,11,10)
    TS1<-c(1,1,0)
    TS2<-c(0,0,1)
    TS3<-c(0,0,0)
    TS4<-c(0,0,0)
    TS5<-c(0,0,0)
    TS6<-c(0,0,0)
    WeekSeries<-c(1,1,1)
    YearSeries<-c(1,1,1)
    MonthSeries<-c(1,1,1)
    mydata<-data.table(JulianDate,DateRcd,Counts,Day,Weekend,Season,HolidaysPerSeason, TS1,TS2,TS3,TS4,TS5,TS6,YearSeries,MonthSeries,WeekSeries) #data simulation

我尝试使用 data.table() 函数根据 WeekSeries 进行聚合，然后将其与原始数据合并以构建我理想的分析格式。

我最接近成功的尝试

install.packages("data.table")
library(data.table)

DT <- data.table(mydata)
mydata1<-DT[, by = list(WeekSeries)] #doesn't work
mydata2<-DT[,sum(CountsofCholera), by=WeekSeries] #loses all the other variables
idealdata<-merge(mydata2,mydata,by.x=mydata2$WeekSeries) #attempts to regain  the lost variable, this doesn't work because the datasets are not the same length

我可以做些什么来重新获得其他分类变量？

Answer 1

group_by 是您要查找的内容吗？例如，像这样的东西？ 你应该安装了dplyr和data.table。

mydata_new <- mydata %>% group_by(WeekSeries, TS1, HolidaysPerSeason) %>% summarise(count = n())

Answer 2

这可以在几个地方进行优化，但应该给你基本的想法：

# sum up counts and count number of rows with identical values for the last several columns
DT[, .(Count = sum(Counts), .N), by = c(tail(names(DT), -4))][
   # assign same count number = total count to each row within same WeekSeries
   , Count := sum(Count), by = WeekSeries][
   # extract most frequent row (i.e. one with largest N, computed in line 1)
   , .SD[which.max(N)], by = WeekSeries]
#   WeekSeries Weekend Season HolidaysPerSeason TS1 TS2 TS3 TS4 TS5 TS6 YearSeries MonthSeries Count N
#1:          1       1      1                11   1   0   0   0   0   0          1           1     2 2