按列分组并按R中的另一列排序答案

【问题标题】：Group by a column and sort by another column in R按列分组并按R中的另一列排序
【发布时间】：2016-09-13 12:59:15
【问题描述】：

我正在用 R 检查 kaggle 中的 imdb 电影数据集。

这是一个最小的重现数据集：

> movies <- data.frame(movie = as.factor(c("Movie 1", "Movie 2", "Movie 3", "Movie 4")), director = as.factor(c("Dir 1", "Dir 2", "Dir 1", "Dir 3")), director_rating =  c(1000, 2000, 1000, 3000))

> movies
    movie director director_rating
1 Movie 1    Dir 1            1000
2 Movie 2    Dir 2            2000
3 Movie 3    Dir 1            1000
4 Movie 4    Dir 3            3000

请注意，具有相同导演的每一行都具有相同的导演评级值。

我想列出董事，按评级排序，每个董事一行。以下代码有效：

> library(dplyr)
> movies %>% 
  group_by(director) %>%
  summarize(director_rating = mean(director_rating)) %>%
  arrange(desc(director_rating))

    # A tibble: 3 x 2
  director director_rating
    <fctr>           <dbl>
1    Dir 3            3000
2    Dir 2            2000
3    Dir 1            1000

但是当我知道单个导演的所有评分都相同时，计算平均值似乎很浪费。在 R 中执行此操作的更惯用/有效的方法是什么？

【问题讨论】：

只用first而不是mean返回第一评分？
@aichao - 是的，这行得通 - 我忘了 first 在 R 中可用 :-)
“具有相同导演的每一行都具有相同的导演评级值”——仅供参考，这是一种糟糕的数据结构方式。您应该有单独的 movies 和 directors 表，并相应地拆分属性。您可能想阅读 Hadley 对“整洁”数据的看法：jstatsoft.org/article/view/v059i10
是的，我同意这一点。在我自己的工作中，我至少会从它们分开开始，只在必要时合并，尽管在你的情况下也可能是这样（只是在这个问题的背景下）。
是的，这可能是真的。通常，我从大约五张表开始（来自各种来源：人口普查、客户、一些第三方……从事经济学工作）；然后进行各种合并，根据“单位”（人、地点、公司等）将其分解为一组不同的〜五张表；并且只有在最后一步合并模型需要的东西。我发现它更清晰地捕捉错误和思考模型，并且占用更少的内存。不过，就您而言，您所描述的听起来很合理。您只需要跟踪哪些变量是由哪些其他变量决定的。

标签： r dplyr kaggle

【解决方案1】：

实际上没有必要进行分组和总结，因为您只是在寻找不同/独特的条目。因此，一个 dplyr 选项是：

select(movies, -movie) %>% 
  distinct() %>% 
  arrange(desc(director_rating))
#  director director_rating
#1    Dir 3            3000
#2    Dir 2            2000
#3    Dir 1            1000

或者如果您想保留其他列：

distinct(movies, director, .keep_all = TRUE) %>%   # for dplyr >= 0.5.0
  arrange(desc(director_rating))
#    movie director director_rating
#1 Movie 4    Dir 3            3000
#2 Movie 2    Dir 2            2000
#3 Movie 1    Dir 1            1000

【讨论】：

在 dplyr 0.5.0 中，您的第二种方式不起作用。 distinct 中的默认设置是删除除director 之外的列。得做distinct(movies, director, .keep_all = TRUE) %>% arrange(desc(director_rating))也许我的版本落后了什么的...
@Frank 谢谢你。我还没有升级到 0.5

【解决方案2】：

这是一个base R 选项：

unique(movies[,2:3])[order(-unique(movies[,2:3])[,2]),]
#  director director_rating
#4    Dir 3            3000
#2    Dir 2            2000
#1    Dir 1            1000

【讨论】：

总是很好地展示一个基本的 R 替代方案。在这种情况下，您可以考虑将unique(movies[,2:3]) 存储在一个新对象中，这样您就不需要计算两次（在较大数据集的情况下）

【解决方案3】：

我们可以使用data.table

library(data.table)
setDT(movies)[, .(director_rating = director_rating[1]), director][order(-director_rating)]
#    director director_rating
#1:    Dir 3            3000
#2:    Dir 2            2000
#3:    Dir 1            1000

或者使用setorder/unique，其中来自data.table 的unique 也有by 选项。

unique(setorder(setDT(movies), -director_rating), by = "director")

【讨论】：

是的，这行得通 - 谢谢。仍然想知道如何以 dplyr 的方式惯用地做到这一点。
@Anand 在group_by 步骤之后使用summarise(director_rating = first(director_rating))