提问者:小点点

聚合数据帧每列的所有唯一值


我有一个大数据框(1616610行,255列),我需要根据键将每列的唯一值粘贴在一起。

例如:

> data = data.frame(a=c(1,1,1,2,2,3),
              b=c("apples", "oranges", "apples", "apples", "apples", "grapefruit"),
              c=c(12, 22, 22, 45, 67, 28), 
              d=c("Monday", "Monday", "Monday", "Tuesday", "Wednesday", "Tuesday"))
> data
  a          b  c         d
1 1     apples 12    Monday
2 1    oranges 22    Monday
3 1     apples 22    Monday
4 2     apples 45   Tuesday
5 2     apples 67 Wednesday
6 3 grapefruit 28   Tuesday

我需要的是聚合255列中的每个唯一值,并为每个唯一值返回一个带有逗号分隔符的新数据帧。像这样:

  a               b      c                  d
1 1 apples, oranges 12, 22             Monday
2 2          apples 45, 67 Tuesday, Wednesday
3 3      grapefruit     28           Thursday

我尝试过使用聚合,如下所示:

output <- aggregate(data, by=list(data$a), paste, collapse=", ")

但是对于这种大小的数据帧来说,它太耗时了(几个小时),而且经常我不得不一起终止进程。最重要的是,这将聚合所有值,而不仅仅是唯一的值。有人有什么建议吗:

1)如何提高大数据集这种聚合的时间

2)然后获取每个字段的唯一值

BTW,这是我在SO上的第一篇文章,所以谢谢你的耐心。


共2个答案

匿名用户

移自评论:

library(data.table)

dt <- as.data.table(data)
dt[, lapply(.SD, function(x) toString(unique(x))), by = a]

给予:

   a               b      c                  d
1: 1 apples, oranges 12, 22             Monday
2: 2          apples 45, 67 Tuesday, Wednesday
3: 3      grapefruit     28            Tuesday

匿名用户

您可以使用dplyr执行以下操作

编辑1

更新了答案,消除了使用summarise_each引起的弃用警告(从dplyr 0.7.0开始)。这使用总结

library(dplyr)

func_paste <- function(x) paste(unique(x), collapse = ', ')
data %>%
  group_by(a) %>%
  summarise(across(everything(), func_paste))

# Without "func_paste", using paste directly (from Alistaire's comment).
data %>%
  group_by(a) %>%
  summarise(across(everything(), ~ paste(unique(.), collapse = ', ')))

## # A tibble: 3 × 4
##       a b               c      d
##   <dbl> <chr>           <chr>  <chr>
## 1     1 apples, oranges 12, 22 Monday
## 2     2 apples          45, 67 Tuesday, Wednesday
## 3     3 grapefruit      28     Tuesday

以前的答案,这将导致不建议使用的警告(从dplyr 0.7.0开始)

func_paste <- function(x) paste(unique(x), collapse = ', ')
data %>%
    group_by(a) %>%
    summarise_each(funs(func_paste))

##      a               b      c                  d
##  (dbl)           (chr)  (chr)              (chr)
##1     1 apples, oranges 12, 22             Monday
##2     2          apples 45, 67 Tuesday, Wednesday
##3     3      grapefruit     28            Tuesday

# Without "func_paste", using paste directly (from Alistaire's comment).
data %>%
  group_by(a) %>%
  summarise_each(funs(paste(unique(.), collapse = ', ')))