dplyr-按组大小筛选
过滤data.frame以仅获取大小为5的组的最佳方法是什么 因此,我的数据如下所示:dplyr-按组大小筛选,r,dataframe,filter,dplyr,subset,R,Dataframe,Filter,Dplyr,Subset,过滤data.frame以仅获取大小为5的组的最佳方法是什么 因此,我的数据如下所示: require(dplyr) n <- 1e5 x <- rnorm(n) # Category size ranging each from 1 to 5 cat <- rep(seq_len(n/3), sample(1:5, n/3, replace = TRUE))[1:n] dat <- data.frame(x = x, cat = cat) system.time({
require(dplyr)
n <- 1e5
x <- rnorm(n)
# Category size ranging each from 1 to 5
cat <- rep(seq_len(n/3), sample(1:5, n/3, replace = TRUE))[1:n]
dat <- data.frame(x = x, cat = cat)
system.time({
all_ind <- rep(seq_len(n_groups(dat)), group_size(dat))
take_only <- which(group_size(dat) == 5L)
out2 <- dat[all_ind %in% take_only, ]
})
# user system elapsed
# 0.026 0.008 0.036
all.equal(out1, out2) # TRUE
require(dplyr)
n这里是另一种dplyr方法,您可以尝试
semi_join(dat, count(dat, cat) %>% filter(n == 5), by = "cat")
--
以下是另一种基于OP原始方法的方法,稍作修改:
n <- 1e5
x <- rnorm(n)
# Category size ranging each from 1 to 5
cat <- rep(seq_len(n/3), sample(1:5, n/3, replace = TRUE))[1:n]
dat <- data.frame(x = x, cat = cat)
# second data set for the dt approch
dat2 <- data.frame(x = x, cat = cat)
sol_floo0 <- function(dat){
dat <- group_by(dat, cat)
all_ind <- rep(seq_len(n_groups(dat)), group_size(dat))
take_only <- which(group_size(dat) == 5L)
dat[all_ind %in% take_only, ]
}
sol_floo0_v2 <- function(dat){
g <- group_by(dat, cat) %>% group_size()
ind <- rep(g == 5, g)
dat[ind, ]
}
microbenchmark::microbenchmark(times = 10,
sol_floo0(dat),
sol_floo0_v2(dat2))
#Unit: milliseconds
# expr min lq mean median uq max neval cld
# sol_floo0(dat) 43.72903 44.89957 45.71121 45.10773 46.59019 48.64595 10 b
# sol_floo0_v2(dat2) 29.83724 30.56719 32.92777 31.97169 34.10451 38.31037 10 a
all.equal(sol_floo0(dat), sol_floo0_v2(dat2))
#[1] TRUE
n按时间比较答案:
require(dplyr)
require(data.table)
n <- 1e5
x <- rnorm(n)
# Category size ranging each from 1 to 5
cat <- rep(seq_len(n/3), sample(1:5, n/3, replace = TRUE))[1:n]
dat <- data.frame(x = x, cat = cat)
# second data set for the dt approch
dat2 <- data.frame(x = x, cat = cat)
sol_floo0 <- function(dat){
dat <- group_by(dat, cat)
all_ind <- rep(seq_len(n_groups(dat)), group_size(dat))
take_only <- which(group_size(dat) == 5L)
dat[all_ind %in% take_only, ]
}
sol_floo0_v2 <- function(dat){
g <- group_by(dat, cat) %>% group_size()
ind <- rep(g == 5, g)
dat[ind, ]
}
sol_docendo_discimus <- function(dat){
dat <- group_by(dat, cat)
semi_join(dat, count(dat, cat) %>% filter(n == 5), by = "cat")
}
sol_akrun <- function(dat2){
setDT(dat2)[dat2[, .I[.N==5], by = cat]$V1]
}
sol_sotos <- function(dat2){
setDT(dat2)[, if(.N == 5) .SD, by = cat]
}
sol_chirayu_chamoli <- function(dat){
rle_ <- rle(dat$cat)
dat[dat$cat %in% rle_$values[rle_$lengths==5], ]
}
microbenchmark::microbenchmark(times = 20,
sol_floo0(dat),
sol_floo0_v2(dat),
sol_docendo_discimus(dat),
sol_akrun(dat2),
sol_sotos(dat2),
sol_chirayu_chamoli(dat))
我概括了作者编写的函数,将其与现有的dplyr函数一起使用:
#' inherit dplyr::filter
#' @param min minimal group size, use \code{min = NULL} to filter on maximal group size only
#' @param max maximal group size, use \code{max = NULL} to filter on minimal group size only
#' @export
#' @source Stack Overflow answer by docendo discimus, \url{https://stackoverflow.com/a/43110620/4575331}
filter_group_size <- function(.data, min = NULL, max = min) {
g <- dplyr::group_size(.data)
if (is.null(min) & is.null(max)) {
stop('`min` and `max` cannot both be NULL.')
}
if (is.null(max)) {
max <- base::max(g, na.rm = TRUE)
}
ind <- base::rep(g >= min & g <= max, g)
.data[ind, ]
}
很好,现在检查OP的问题;组大小正好为5
:
dat2 %>%
group_by(cat) %>%
filter_group_size(5, NULL) %>%
summarise(n = n()) %>%
arrange(desc(n))
# # A tibble: 6,634 x 2
# cat n
# <int> <int>
# 1 NA 19
# 2 1 5
# 3 2 5
# 4 6 5
# 5 15 5
# 6 17 5
# 7 21 5
# 8 27 5
# 9 33 5
# 10 37 5
# # ... with 6,624 more rows
dat2 %>%
group_by(cat) %>%
filter_group_size(5) %>%
summarise(n = n()) %>%
pull(n) %>%
unique()
# [1] 5
万岁。我知道你要求一个dplyr
解决方案,但是如果你把它和一些purrr
结合起来,你可以在一行中得到它,而不需要指定任何新的函数。(不过要慢一点。)
使用n()
,您可以更简洁地执行此操作:
加速dplyr wayn()
过滤器的一个非常简单的方法是将结果存储在一个新列中。如果以后有多个过滤器,则计算组大小的初始时间将摊销
库(dplyr)
预备组%
分组依据(类别)%>%
变异(
出现次数=n()
) %>%
解组()
}
#使用“事件”列创建新的数据框:
#数据预处理%prep\u组
过滤事件
字段比解决方案快得多:
solu\0等待,直到看到data.table解决方案。一点也不夸张,也很简单。类似于setDT(dat)[,if(.N==5).SD,by=cat]
data.table中更快的方法应该是setDT(dat)[dat[,.I[.N==5],by=cat]$V1]
@ChirayuChamoli:猜你的意思是m
:是的,它是有序的。@ChirayuChamoli:答案很好。刚把它加在汉克斯下面。与我的过滤器
解决方案相比,这是一个巨大的加速。仍然在寻找一个比我的第二个混合解决方案更好的解决方案……第二个版本几乎和包含分组的DT解决方案一样快。很好的一个只是为了更好的衡量,您应该在函数计时中包含groupby
步骤too@docendodiscimus当前位置你问得对,所以这样更好。在我的分析中,我已经对它们进行了分组。这就是为什么我在测量中排除了它…sol\u docendo\u discimus
不需要group\u by
呼叫!这就是运行时间如此之高的原因。我有一些数据表明这个版本失败了。似乎分组按数据排序,这可能会导致错误的索引data.frame(x=c(2,2,1))%%>%group\u by(x)%%>%group\u size
生成c(1,2)
而不是c(2,1)
首先,您使用的group\u size()
是dplyr
包中的函数,与我的答案无关。其次,来自dplyr
包的groupby()
函数按字母顺序对组进行排序。欢迎使用堆栈溢出。没有任何解释的代码转储很少有帮助。堆栈溢出是关于学习,而不是提供盲目复制和粘贴的代码片段。请回答您的问题,并解释它如何回答所问的具体问题。看见这一点在用现有答案回答老问题(这一个已经超过4岁)时尤为重要。这个答案如何改进已有的答案(特别是乔的答案)?如果你读过问题的“我能想出的dplyr方法是”部分,你就会知道他/她已经尝试过了。OP认为它太慢了。
dat2 %>%
group_by(cat) %>%
filter_group_size(5, NULL) %>%
summarise(n = n()) %>%
arrange(desc(n))
# # A tibble: 6,634 x 2
# cat n
# <int> <int>
# 1 NA 19
# 2 1 5
# 3 2 5
# 4 6 5
# 5 15 5
# 6 17 5
# 7 21 5
# 8 27 5
# 9 33 5
# 10 37 5
# # ... with 6,624 more rows
dat2 %>%
group_by(cat) %>%
filter_group_size(5) %>%
summarise(n = n()) %>%
pull(n) %>%
unique()
# [1] 5
library(dplyr)
library(purrr)
library(tidyr)
dat %>%
group_by(cat) %>%
nest() %>%
mutate(n = map(data, n_distinct)) %>%
unnest(n = n) %>%
filter(n == 5) %>%
select(cat, n)
library(dplyr)
dat %>% group_by(cat) %>% filter(n() == 5)
Unit: microseconds
expr min lq mean median uq max neval cld
sol_floo0(dat) 33345.764 35603.446 42430.441 37994.477 41379.411 144103.471 50 c
sol_floo0_v2(dat) 26180.539 27842.927 29694.203 29089.672 30997.411 37412.899 50 b
sol_cached(dat_prepped) 801.402 930.025 1342.348 1098.843 1328.192 5049.895 50 a
Unit: milliseconds
expr min lq mean median uq max neval cld
prep_group(dat) 45.67805 47.68100 48.98929 49.11258 50.08214 52.44737 10 b
prep_join(dat) 35.01945 36.20857 37.96460 36.86776 38.71056 45.59041 10 a
dat %>%
dplyr::group_by(cat) %>%
dplyr::add_tally() %>%
dplyr::filter(n == 5)