R：只有当键值相同并且键在连续行中重复时，如何对行中的值求和？答案

【问题标题】：R: How to sum values from rows only if the key value is the same and also if the key duplicated in consecutive rows?R：只有当键值相同并且键在连续行中重复时，如何对行中的值求和？
【发布时间】：2015-08-31 10:01:01
【问题描述】：

我有下面这个结构的数据表：

+-------------------+
| id  | key | value |
+-----+-----+-------+
| 1   | A   | 1000  |
| 1   | A   | 2000  |
| 1   | B   | 2001  |
| 1   | A   | 2002  |
| 1   | A   | 2004  |
| 2   | B   | 2002  |
| 2   | C   | 2002  |
+-------------------+

我的目标是按 id 和 key 对值进行求和，但不是仅按 id 和 key 分组，我只想对连续行的 id 和 key 对相同的值求和。

结果应该是：

+-------------------+
| id  | key | value |
+-----+-----+-------+
| 1   | A   | 3000  |
| 1   | B   | 2001  |
| 1   | A   | 4006  |
| 2   | B   | 2002  |
| 2   | C   | 2002  |
+-------------------+

有没有办法达到这个效果？

【问题讨论】：

标签： r data.table

【解决方案1】：

我们可以使用data.table中的rleid。

我们将“data.frame”转换为“data.table”。从“key”列创建另一个分组列“ind”。按'id'和'ind'分组，我们得到'value'的sum，得到'key'的第一个元素。我们可以将 'ind' 分配给 NULL，因为它在预期的输出中不需要。

library(data.table)
setDT(df1)[,list(value = sum(value), key=key[1L]),
                    by = .(ind=rleid(key), id)][, ind:=NULL][]
#   id value key
#1:  1  3000   A
#2:  1  2001   B
#3:  1  4006   A
#4:  2  2002   B
#5:  2  2002   C

或者按照@Frank的建议，我们可以在rleid中使用多个列，将其用作分组变量，获取其他变量的第一个元素和'value'的sum，将不需要的列分配给NULL避免复制。

setDT(df1)[, list(id=id[1L], key=key[1L], value=sum(value)) ,
        by = .(r=rleid(id, key))][, r:= NULL][]
#   id key value
#1:  1   A  3000
#2:  1   B  2001
#3:  1   A  4006
#4:  2   B  2002
#5:  2   C  2002

或者我们可以使用dplyr。我们通过比较'key'的相邻元素来创建分组变量'ind'，并得到'value'的sum和'key'的first元素与summarise。

library(dplyr)
df1 %>%
     group_by(ind= cumsum(key!=lag(key, default=TRUE)), id) %>%
     summarise(value=sum(value), key=first(key)) %>% 
     ungroup() %>%
     select(-ind)
#  id value key
#1  1  3000   A
#2  1  2001   B
#3  1  4006   A
#4  2  2002   B
#5  2  2002   C

注意：在dplyr 和data.table 中，我们还可以将“key”列作为分组变量并删除key=key[1L] 或key=first(key))。

或者我们通过创建“ind”列来transform 数据集并使用base R 中的aggregate 来获得预期的输出

df1 <- transform(df1, ind = cumsum(c(TRUE,head(key,-1)!=tail(key,-1))))
aggregate(value~., df1, FUN=sum)[-3]
#  id key value
#1  1   A  3000
#2  1   B  2001
#3  1   A  4006
#4  2   B  2002
#5  2   C  2002

数据

df1 <- structure(list(id = c(1L, 1L, 1L, 1L, 1L, 2L, 2L), key = c("A", 
"A", "B", "A", "A", "B", "C"), value = c(1000L, 2000L, 2001L, 
2002L, 2004L, 2002L, 2002L)), .Names = c("id", "key", "value"
), class = "data.frame", row.names = c(NA, -7L))

【讨论】：

你似乎依赖于id..的排序？对于它的价值，rleid 可以接受两个参数，解决这个问题：DT[, .(id=id[1],key=key[1],value=sum(value)), by=.(r=rleid(id,key))][,!"r",with=FALSE]
@Frank 谢谢。我没有对其进行基准测试，希望您的方法有效。
（不是很重要：）我没有考虑效率，只是逻辑连贯性——将“如果连续行的 id 和 key 对相同”转换为代码。我不确定它是否应该更有效。