Разделить большой фрейм данных на список фреймов данных на основе общего значения в столбце

86

У меня есть фрейм данных с 10 столбцами, собирающими действия «пользователей», где один из столбцов содержит идентификатор (не уникальный, идентифицирующий пользователя) (столбец 10). длина кадра данных составляет около 750000 строк. Я пытаюсь извлечь отдельные фреймы данных (чтобы получить список или вектор фреймов данных), разделенные по столбцу, содержащему идентификатор «пользователя», чтобы изолировать действия одного субъекта.

ID | Data1 | Data2 | ... | UserID
1  | aaa   | bbb   | ... | u_001
2  | aab   | bb2   | ... | u_001
3  | aac   | bb3   | ... | u_001
4  | aad   | bb4   | ... | u_002

в результате 

list(
ID | Data1 | Data2 | ... | UserID
1  | aaa   | bbb   | ... | u_001
2  | aab   | bb2   | ... | u_001
3  | aac   | bb3   | ... | u_001
,
4  | aad   | bb4   | ... | u_002
...)

Для меня очень хорошо работает на небольшой выборке (1000 строк):

paths = by(smallsampleMat, smallsampleMat[,"userID"], function(x) x)

а затем получить доступ к нужному мне элементу, например, по путям [1].

При применении к исходному большому фрейму данных или даже к матричному представлению это заглушает мою машину (4 ГБ ОЗУ, MacOSX 10.6, R 2.15) и никогда не завершается (я знаю, что существует более новая версия R, но я считаю, что это не основная проблема ).

Кажется, что разделение более производительно и после долгого завершения, но я не знаю (хуже знания R), как разделить полученный список векторов на вектор матриц.

path = split(smallsampleMat, smallsampleMat[,10])

Я также рассматривал возможность использования и big.matrixт. Д., Но без особого успеха, который ускорил бы процесс.

r performance matrix split dataframe MartinT
источник

Ответы:

103

Вы можете так же легко получить доступ к каждому элементу в списке, например, используя path[[1]]. Вы не можете поместить набор матриц в атомарный вектор и получить доступ к каждому элементу. Матрица - это атомарный вектор с атрибутами измерения. Я бы использовал структуру списка, возвращенную split, это то, для чего она была разработана. Каждый элемент списка может содержать данные разных типов и размеров, поэтому он очень универсален, и вы можете использовать *applyфункции для дальнейшей работы с каждым элементом в списке. Пример ниже.

#  For reproducibile data
set.seed(1)

#  Make some data
userid <- rep(1:2,times=4)
data1 <- replicate(8 , paste( sample(letters , 3 ) , collapse = "" ) )
data2 <- sample(10,8)
df <- data.frame( userid , data1 , data2 )

#  Split on userid
out <- split( df , f = df$userid )
#$`1`
#  userid data1 data2
#1      1   gjn     3
#3      1   yqp     1
#5      1   rjs     6
#7      1   jtw     5

#$`2`
#  userid data1 data2
#2      2   xfv     4
#4      2   bfe    10
#6      2   mrx     2
#8      2   fqd     9

Доступ к каждому элементу можно получить с помощью такого [[оператора:

out[[1]]
#  userid data1 data2
#1      1   gjn     3
#3      1   yqp     1
#5      1   rjs     6
#7      1   jtw     5

Или используйте *applyфункцию для выполнения дальнейших операций с каждым элементом списка. Например, чтобы взять среднее значение data2столбца, вы можете использовать sapply следующим образом:

sapply( out , function(x) mean( x$data2 ) )
#   1    2 
#3.75 6.25
Саймон О'Хэнлон
источник
2
Мне было интересно dlply(df, .(userid))узнать о производительности, и я обнаружил, что это плохо по сравнению с splitдаже без включения времени выполнения require(plyr), спасибо и OP!
Фрэнсис,
18

Начиная с версии 0.8.0, dplyrпредлагает удобную функцию, которая называется group_split():

# On sample data from @Aus_10
df %>%
  group_split(g)

[[1]]
# A tibble: 25 x 3
   ran_data1 ran_data2 g    
       <dbl>     <dbl> <fct>
 1     2.04      0.627 A    
 2     0.530    -0.703 A    
 3    -0.475     0.541 A    
 4     1.20     -0.565 A    
 5    -0.380    -0.126 A    
 6     1.25     -1.69  A    
 7    -0.153    -1.02  A    
 8     1.52     -0.520 A    
 9     0.905    -0.976 A    
10     0.517    -0.535 A    
# … with 15 more rows

[[2]]
# A tibble: 25 x 3
   ran_data1 ran_data2 g    
       <dbl>     <dbl> <fct>
 1     1.61      0.858 B    
 2     1.05     -1.25  B    
 3    -0.440    -0.506 B    
 4    -1.17      1.81  B    
 5     1.47     -1.60  B    
 6    -0.682    -0.726 B    
 7    -2.21      0.282 B    
 8    -0.499     0.591 B    
 9     0.711    -1.21  B    
10     0.705     0.960 B    
# … with 15 more rows

Чтобы не включать столбец группировки:

df %>%
 group_split(g, keep = FALSE)
tmfmnk
источник
9

Наткнулся на этот ответ, и мне действительно нужны ОБЕ группы (данные, содержащие этого одного пользователя, и данные, содержащие все, кроме этого одного пользователя). Необязательно из-за специфики этого поста, но я подумал, что добавлю, если кто-то искал в Google ту же проблему, что и я.

df <- data.frame(
     ran_data1=rnorm(125),
     ran_data2=rnorm(125),
     g=rep(factor(LETTERS[1:5]), 25)
 )

test_x = split(df,df$g)[['A']]
test_y = split(df,df$g!='A')[['TRUE']]

Вот как это выглядит:

head(test_x)
            x          y g
1   1.1362198  1.2969541 A
6   0.5510307 -0.2512449 A
11  0.0321679  0.2358821 A
16  0.4734277 -1.2889081 A
21 -1.2686151  0.2524744 A

> head(test_y)
            x          y g
2 -2.23477293  1.1514810 B
3 -0.46958938 -1.7434205 C
4  0.07365603  0.1111419 D
5 -1.08758355  0.4727281 E
7  0.28448637 -1.5124336 B
8  1.24117504  0.4928257 C
Aus_10
источник