在 R 中使用选择函数时出错 [重复]

Question

我想获取用户播放频率最高的歌曲。我在 csv 文件中想要的三个字段是 userId、songId 和 playCount 但选择函数给出了错误：

write.csv(group_by(mydata,userId) %.%
summarise(one=max(playCount)) %.%
select(userId,songId,playCount), file="FavouriteSongs.csv")

Error in eval(expr, envir, enclos) : object 'songId' not found

数据示例如下所示

userId      songId            playCount
A           568r              85
A           711g              18
C           34n               18
E           454j              65
D           663a              72
B           35d               84
A           34c               72
A           982s              65
E           433f              11
A           565t              7

提前致谢

Answer 1

在dplyr 操作的链式序列中，summarise 调用将产生两列：分组变量和汇总函数的结果。

df %.%
  group_by(userId) %.%
  summarise(
    one = max(playCount))

# Source: local data frame [5 x 2]
# 
#   userId one
# 1      A  85
# 2      B  84
# 3      C  18
# 4      D  72
# 5      E  65

当您尝试从summarise 生成的数据帧中尝试select songID 变量时，找不到songID 变量。

df %.%
  group_by(userId) %.%
  summarise(
    one = max(playCount)) %.%
  select(userId, songId, playCount)
# Error in eval(expr, envir, enclos) : object 'songId' not found 

在这种情况下，更合适的dplyr 函数是filter。这里我们选择条件playCount == max(playCount)为TRUE在每个组内的行。

df %.%
  group_by(userId) %.%
  filter(
    playCount == max(playCount))

# Source: local data frame [5 x 3]
# Groups: userId
# 
#   userId songId playCount
# 1      A   568r        85
# 2      C    34n        18
# 3      E   454j        65
# 4      D   663a        72
# 5      B    35d        84

你会发现几个不错的dplyr examples here。

Answer 2

一般来说，我不会投反对票，但这个问题是基本的，没有显示任何调查，有些重复，并且在其他地方很容易找到解决方案。

有几种方法可以实现这一点。

成为你的 data.frame。检索播放次数最多的歌曲的行：

d[d$playCount == max(d$playCount), ]

对于大多数玩家来说，试试这个

d <- data.frame(userId = rep(seq(1:5),2) ,    
                songId = letters[1:10],          
                playCount = c(10:19))

> d
   userId songId playCount
1       1      a        10
2       2      b        11
3       3      c        12
4       4      d        13
5       5      e        14
6       1      f        15
7       2      g        16
8       3      h        17
9       4      i        18
10      5      j        19


d2<- d[order(-d$playCount), ]
dout <- d2[!duplicated(d2$userId), ]

> dout
   userId songId playCount
10      5      j        19
9       4      i        18
8       3      h        17
7       2      g        16
6       1      f        15

我真的不明白反对票。该方法是正确的并且速度很快，几乎与 dplyr 一样快。用 1000000 行的数据框试试吧

df <- data.frame(userId = rep(seq(1:5),100000) ,    
                songId = rep(letters[1:10], 100000),          
                playCount = runif(1000000,10,20))

使用@Henrik dplyr 方法

system.time(df %.%
  group_by(userId) %.%
  filter(
    playCount == max(playCount)))
Source: local data frame [5 x 3]

组：用户 ID

  userId songId playCount
1      2      b  19.99995
2      5      j  19.99982
3      1      f  19.99981
4      4      d  19.99995
5      3      h  19.99999

user  system elapsed 
0.08    0.02    0.09 

并使用Hadley 方法

df2<- df[order(-df$playCount), ]
dout <- df2[!duplicated(df2$userId), ]
> dout
       userId songId playCount
671528      3      h  19.99999
466824      4      d  19.99995
185512      2      b  19.99995
249190      5      j  19.99982
455746      1      f  19.99981

system.time(dout <- df2[!duplicated(df2$userId), ])

user  system elapsed 
0.13    0.00    0.12 

现在我建议您对 Hadley here 和 Gavin Simpson here 的两种出色方法进行投票。