Arrays groupby（）在julia中使用两个数组？

我有两个维度相同的数组：

a1 = [1,1,3,4,6,6]
a2 = [1,2,3,4,5,6]

我想根据数组

a1

对它们进行分组，得到每组数组

a2

的平均值。 我的输出来自数组

a2

，如下所述：

result:
1.5
3.0
4.0
5.5

请提出实现这项任务的方法。

---

谢谢

下面是一个使用DataFrames.jl的解决方案：

julia> using DataFrames, Statistics

julia> df = DataFrame(a1 = [1,1,3,4,6,6], a2 = [1,2,3,4,5,6]);

julia> combine(groupby(df, :a1), :a2 => mean)
4×2 DataFrame
 Row │ a1     a2_mean
     │ Int64  Float64
─────┼────────────────
   1 │     1      1.5
   2 │     3      3.0
   3 │     4      4.0
   4 │     6      5.5

编辑：

以下是计时（与Julia中的通常情况一样，您需要记住，第一次运行某个函数时必须编译它，这需要时间）：

请注意，例如类似数据的data.table（如果这是您的参考）速度明显较慢：

> library(data.table) # using 4 threads
> df = data.table(a1 = sample(1:1000, 10^8, replace=T), a2 = runif(10^8));
> system.time(df[, .(mean(a2)), by = a1])
   user  system elapsed 
   4.72    1.20    2.00 

---

如果您有兴趣在DataFrames.jl之外使用Chain.jl，BogumiłKamiński的答案可能如下所示：

julia> using DataFrames, Statistics, Chain

julia> df = DataFrame(a1 = [1,1,3,4,6,6], a2 = [1,2,3,4,5,6]);

julia> @chain df begin
           groupby(:a1)
           combine(:a2 => mean)
       end

4×2 DataFrame
 Row │ a1     a2_mean 
     │ Int64  Float64 
─────┼────────────────
   1 │     1      1.5
   2 │     3      3.0
   3 │     4      4.0
   4 │     6      5.5

---

话语：谢谢你的建议，非常感谢！！！我害怕转换过程中占用的时间和内存，因为最终的测试数据可能会很大，有没有办法只使用数组来实现这一点？我可以这样做

Array（组合（DataFrames.groupby（（DataFrame（：a=>a，：a2=>a2）），：a1），：a2=>mean））[：，2]

但是我可以问一下，相比之下，在较大的数据上使用它会花费时间吗？占用的内存仅在第一次运行时使用，因为代码需要编译。即使对于大型阵列，操作也应该很快。我将用一个更大的例子更新这篇文章。如果您想使用纯数组，可以查看SplitApplyCombine.jl包，但是在这个测试用例中可能会慢一些。感谢您的详细解释，在这个场景中，我将坚持以下内容：）如果它是第一个参数，我认为不必使用u。您可以使用@chain简单地

groupby（：a1）

，这与combine@MoriartySnarly固定的！

julia> using DataFrames, Statistics, Chain

julia> df = DataFrame(a1 = [1,1,3,4,6,6], a2 = [1,2,3,4,5,6]);

julia> @chain df begin
           groupby(:a1)
           combine(:a2 => mean)
       end

4×2 DataFrame
 Row │ a1     a2_mean 
     │ Int64  Float64 
─────┼────────────────
   1 │     1      1.5
   2 │     3      3.0
   3 │     4      4.0
   4 │     6      5.5