在R数据帧中应用按组计算

我有这样的数据：

object category country
495647 1        RUS  
477462 2        GER  
431567 3        USA  
449136 1        RUS  
367260 1        USA  
495649 1        RUS  
477461 2        GER  
431562 3        USA  
449133 2        RUS  
367264 2        USA  
...

一个对象出现在不同的

（类别，国家）

对中，国家共享一个类别列表

我想在上面再加一列，这是每个国家的类别权重——一个类别中出现的对象数量，在一个国家内标准化为1（仅在唯一

（类别，国家）

对上求和）

我可以这样做：

aggregate(df$object, list(df$category, df$country), length)

然后从那里计算权重，但是直接在原始数据上进行计算更高效、更优雅的方法是什么呢

所需的示例输出：

object category country weight
495647 1        RUS     .75
477462 2        GER     .5 
431567 3        USA     .5 
449136 1        RUS     .75
367260 1        USA     .25
495649 1        RUS     .75
477461 3        GER     .5
431562 3        USA     .5
449133 2        RUS     .25
367264 2        USA     .25
...

---

上述内容将总结为一个国家内部的独特

（类别，国家）

对。

特别回应，并记住最后一句话：“直接在原始数据上做这件事更有效、更优雅的方式是什么？”，正好有了新的特点

install.packages("data.table", repos="http://R-Forge.R-project.org")
# Needs version 1.8.1 from R-Forge.  Soon to be released to CRAN.

将您的数据保存在

DT

：

> DT[, countcat:=.N, by=list(country,category)]     # add 'countcat' column
    category country countcat
 1:        1     RUS        3
 2:        2     GER        1
 3:        3     USA        2
 4:        1     RUS        3
 5:        1     USA        1
 6:        1     RUS        3
 7:        3     GER        1
 8:        3     USA        2
 9:        2     RUS        1
10:        2     USA        1

> DT[, weight:=countcat/.N, by=country]     # add 'weight' column
    category country countcat weight
 1:        1     RUS        3   0.75
 2:        2     GER        1   0.50
 3:        3     USA        2   0.50
 4:        1     RUS        3   0.75
 5:        1     USA        1   0.25
 6:        1     RUS        3   0.75
 7:        3     GER        1   0.50
 8:        3     USA        2   0.50
 9:        2     RUS        1   0.25
10:        2     USA        1   0.25

：=

通过引用数据添加列，这是一个“旧”功能。新功能是它现在可以按组工作

.N

是一个符号，用于保存每组中的行数

这些操作是内存有效的，应该扩展到大数据；e、 例如，

1e8

，

1e9

行

如果不希望包含中间列

countcat

，请在之后将其删除。同样，这是一个高效的操作，无论表的大小如何（通过在内部移动指针），它都能立即工作

---

我看不出一种易读的方法可以一行完成。但它可以非常紧凑

# Use table to get the counts.
counts <- table(df[,2:3])
# Normalize the table
weights <- t(t(counts)/colSums(counts))
# Use 'matrix' selection by names.
df$weight <- weights[as.matrix(df[,2:3])]

#使用表获取计数。
事实上，我不久前问过。对于这一点，data.table确实很好，尤其是现在实现了：=按组，并且不再需要自连接-如上所示。base R的最佳解决方案是
ave（）
<代码>tapply（）

也可以使用

这与上面的解决方案类似，使用

ave（）

。但是，我强烈建议您查看data.table

df$count <- ave(x = df$object, df$country, df$category, FUN = length)
df$weight <- ave(x = df$count, df$country, FUN = function(x) x/length(x))

---

df$count可能属于StackOverflow，一些预期的输出数据会更好；e、 例如，澄清第1行和第4行的结果应均为50%还是均为100%。您直接根据原始数据要求按国家划分的类别权重，因此这似乎意味着后者？但在国内，它的总和不会是1，iiuc。谢谢Matthew，你说得很对-第1行和第4行的总和应该是100%（或1）。在一个国家内，权重总和应为1，仅考虑唯一（类别、国家）对-我正在编辑问题。这确实是一个优雅而有效的解决方案，谢谢！注意：我不熟悉
data.table
包，发现1./R-project.org存储库要求R>2.15和2./DT必须是
data.table
——因此我必须在原始数据框架上执行
DT=data.table（DT）
。作为data.table的不经常使用者，我有时会被完成事情的不同方式弄糊涂，我经常不得不去查阅资料。有没有计划建立一个更全面的文档，以取代目前构成小插曲的常见问题？@ilprincipe我知道你的意思，完全同意。虽然没有计划，因为我们不知道它应该是什么样子！你想要什么？有常见用例的wiki会好吗？如果您能提供所需的帮助，我们将不胜感激。如果你能画出或者开始你想要的格式，我很乐意填写。现有data.table wiki上的新页面？其他地方？Wiki格式还是可以复制的？在这方面我们需要帮助和指导。“即使是你们所看到的一系列常见的习语，也将是一个很好的开始。”尼古拉抱歉，我应该向你们提到这一点。干得不错。顺便说一句，
as.data.table
的转换速度通常比
data.table
快，但是为了方便起见，我们会对其进行更改，这样您就不需要知道了。或者从
data.table
开始。我想Wiki格式的扩展是可取的。作为第一步，它可以是一个列出所有习惯用法的唯一地址，以及一个大致完整的常见用例列表。一个合适的渐晕图/介绍应该更多地关注于介绍data.table及其本身的使用，并在较小程度上关注其与数据帧和计算速度的比较。我知道速度是一个卖点，但它应该分开更多。不管怎么说，大多数用户很快就会明白这一点。我觉得我对data.table还不够熟悉，还没有做出太多贡献，但我会考虑更多。
df$count <- ave(x = df$object, df$country, df$category, FUN = length)
df$weight <- ave(x = df$count, df$country, FUN = function(x) x/length(x))