R data.table 中的条件唯一计数答案

【问题标题】：Conditional Unique Counting in R data.tableR data.table 中的条件唯一计数
【发布时间】：2016-07-26 01:11:01
【问题描述】：

我想按组计算我的数据集中的冲突数量。我觉得在 data.table 中必须有一种简单的方法来做到这一点，但似乎无法弄清楚。我创建了一个虚拟变量来告诉我 data.table 的每一行是否存在冲突：

testDT <- data.table(Name = c(rep('A',6),rep('B',5)),
                     Division = c(rep(11,6),rep(12,5)),
                     ID = c(205,205,NA,201,201,201,203,203,203,204,NA),
                     Conflict = c(0,0,0,1,1,1,1,1,1,1,0))

我需要计算冲突标志为 1 的非 NA ID 的唯一数量，并将新列中的计数应用于每个 Name-Division 分组。答案应该是这样的：

testDT[, Count := c(rep(1,6),rep(2,5))]

    Name Division  ID Conflict Count
 1:    A       11 205        0     1
 2:    A       11 205        0     1
 3:    A       11  NA        0     1
 4:    A       11 201        1     1
 5:    A       11 201        1     1
 6:    A       11 201        1     1
 7:    B       12 203        1     2
 8:    B       12 203        1     2
 9:    B       12 203        1     2
10:    B       12 204        1     2
11:    B       12  NA        0     2

我一直在考虑 sum(!is.na(unique(ID))) 的一些用法，但我不确定如何在 data.table (Conflict == 1) 的 i 部分不创建条件的情况下有条件地计算唯一值。

【问题讨论】：

标签： r data.table

【解决方案1】：

您可以通过data.table [] 中的条件对ID 变量进行子集化，然后计算唯一值：

library(data.table)
testDT[, Count := uniqueN(ID[!is.na(ID) & Conflict == 1]), by=.(Name, Division)]
testDT
#     Name Division  ID Conflict Count
#  1:    A       11 205        0     1
#  2:    A       11 205        0     1
#  3:    A       11  NA        0     1
#  4:    A       11 201        1     1
#  5:    A       11 201        1     1
#  6:    A       11 201        1     1
#  7:    B       12 203        1     2
#  8:    B       12 203        1     2
#  9:    B       12 203        1     2
# 10:    B       12 204        1     2
# 11:    B       12  NA        0     2

或者按照你的逻辑：

testDT[, Count := sum(!is.na(unique(ID[Conflict == 1]))), by=.(Name, Division)]

【讨论】：

为什么条件在j 内？我想它会更慢。 testDT[!is.na(ID) & Conflict == 1, Count := uniqueN(ID), by = .(Name, Division)] 对整个表执行所有逻辑测试，而不是对每个组进行测试。除非我错过了什么
哦，我明白了。这将为这些行分配NAs。如果这很重要，请联系@shughes...
哦，还有一件事。 uniqueN 有一个 na.rm 参数，因此您可以使用它来代替!is.na 的条件。不过，根据您使用的版本，这可能会给您带来错误。（我必须更新才能通过它github.com/Rdatatable/data.table/issues/1771）

【解决方案2】：

这是dplyr的选项

library(dplyr)
testDT %>%
    group_by(Name, Division) %>% 
    mutate(Count = n_distinct(ID[!is.na(ID) & Conflict==1]))
#    Name Division    ID Conflict Count
#   <chr>    <dbl> <dbl>    <dbl> <int>
#1      A       11   205        0     1
#2      A       11   205        0     1
#3      A       11    NA        0     1
#4      A       11   201        1     1
#5      A       11   201        1     1
#6      A       11   201        1     1
#7      B       12   203        1     2
#8      B       12   203        1     2
#9      B       12   203        1     2
#10     B       12   204        1     2
#11     B       12    NA        0     2

【讨论】：