基于第三个变量（数字）的列联表答案

【问题标题】：Contingency table based on third variable (numeric)基于第三个变量（数字）的列联表
【发布时间】：2013-10-31 11:31:25
【问题描述】：

前段时间我问了一个关于创建购物篮数据的问题。现在我想创建一个类似的 data.frame，但基于第三个变量。不幸的是，我在尝试时遇到了问题。上一个问题：Effecient way to create market basket matrix in R
@shadow 和 @SimonO101 给了我很好的答案，但我无法正确更改他们的答案。我有以下数据：

Customer <- as.factor(c(1000001,1000001,1000001,1000001,1000001,1000001,1000002,1000002,1000002,1000003,1000003,1000003))
Product <- as.factor(c(100001,100001,100001,100004,100004,100002,100003,100003,100003,100002,100003,100008))
input <- data.frame(Customer,Product)

我现在可以通过以下方式创建列联表：

input_df <- as.data.frame.matrix(table(input))

但是我有第三个（数字）变量，我想在表中作为输出。

Number <- c(3,1,-4,1,1,1,1,1,1,1,1,1) 
input <- data.frame(Customer,Product,Number)

现在代码（当然，现在有 3 个变量）不再起作用了。我正在寻找的结果具有唯一的客户作为行名和唯一的产品作为列名。并且有 Number 作为值（如果不存在，则为 0），该数字可以通过以下方式计算：

input_agg <- aggregate( Number ~ Customer + Product, data = input, sum)

希望我的问题很清楚，如果有不清楚的地方请评论。

【问题讨论】：

+1 是另一个可重现的例子。
你能成功完成aggregate这一步吗？

标签： r

【解决方案1】：

此类问题专为reshape2::dcast...

require( reshape2 )
#  Too many rows so change to a data.table.
dcast( input , Customer ~ Product , fun = sum , value.var = "Number" )
#  Customer 100001 100002 100003 100004 100008
#1  1000001      0      1      0      2      0
#2  1000002      0      0      3      0      0
#3  1000003      0      1      1      0      1

最近，dcast 与data.table 对象一起使用的方法是由@Arun 响应FR #2627 实现的。好东西。您必须使用开发版本1.8.11。目前，它应该用作dcast.data.table。这是因为dcast 还不是reshape2 包中的S3 泛型。也就是说，你可以这样做：

require(reshape2)
require(data.table)
input <- data.table(input)   
dcast.data.table(input , Customer ~ Product , fun = sum , value.var = "Number")
#    Customer 100001 100002 100003 100004 100008
# 1:  1000001      0      1      0      2      0
# 2:  1000002      0      0      3      0      0
# 3:  1000003      0      1      1      0      1

这应该可以很好地处理更大的数据，并且应该比reshape2:::dcast 快得多。

或者，您可以尝试reshape:::cast 版本，它可能会崩溃也可能不会崩溃...试试吧！！

require(reshape)
input <- data.table( input )
cast( input , Customer ~ Product , fun = sum , value = .(Number) )

【讨论】：

快速响应，这确实有效。但是，它使我的 R 会话立即崩溃。我更新了我的问题。
@Freddy 查看更新。使用data.table。已经为这些编写了 dcast 方法。应该很快，避免让你的电脑崩溃！
@Freddy 但使用data.table 而不是data.frame？这是一个重要的区别！此外，如果您不将输出分配给变量，它将尝试打印到控制台并且可能会崩溃，因此请尝试复制/粘贴此...input <- data.table( input ); output <- dcast( input , Customer ~ Product , fun = sum , value.var = "Number" )
嗯，你为什么不尝试使用数据的子集，例如第一个100k 行？例如dcast( input[ 1:1e5 , ] ... ) 看看这是否可行并从那里建立起来？
@Freddy 也许你看到this problem...太多的组。

【解决方案2】：

您可以为此使用 xtabs：

R> xtabs(Number~Customer+Product, data=input)

         Product
Customer  100001 100002 100003 100004 100008
  1000001      0      1      0      2      0
  1000002      0      0      3      0      0
  1000003      0      1      1      0      1

【讨论】：

@SimonO101 其实我才发现的:-)
我认为这不是效率问题，而是系统上有多少 RAM 的问题。无论你用什么方法来计算它，你最终都会得到一个 90000x2000 的表来存储在内存中......
@juba，这确实是正确的，应该知道它不适合。