如何使用 dplyr 对列进行范围分组？

Question

我想根据列的范围值对 data.table 进行分组，如何使用 dplyr 库执行此操作？

例如，我的数据table如下：

library(data.table)
library(dplyr)
DT <- data.table(A=1:100, B=runif(100), Amount=runif(100, 0, 100))

现在想把DT按B列0.05的间隔分成20组，统计每组有多少行。例如，B 列值在 [0, 0.05) 范围内的任何行将组成一个组； B 列值在 [0.05, 0.1) 范围内的任何行将组成另一组，依此类推。有没有一种有效的方法来执行此组功能？

非常感谢。

----------------------------关于 akrun 回答的更多问题。感谢阿克伦的回答。我有一个关于 "cut" 函数的新问题。如果我的 DT 如下所示：

DT <- data.table(A=1:10, B=c(0.01, 0.04, 0.06, 0.09, 0.1, 0.13, 0.14, 0.15, 0.17, 0.71))

通过使用以下代码：

DT %>% 
  group_by(gr=cut(B, breaks= seq(0, 1, by = 0.05), right=F) ) %>% 
  summarise(n= n()) %>%
  arrange(as.numeric(gr))

我希望看到这样的结果：

          gr n
1   [0,0.05) 2
2 [0.05,0.1) 2
3 [0.1,0.15) 3
4 [0.15,0.2) 2
5 [0.7,0.75) 1

但是我得到的结果是这样的：

          gr n
1   [0,0.05) 2
2 [0.05,0.1) 2
3 [0.1,0.15) 4
4 [0.15,0.2) 1
5 [0.7,0.75) 1

看起来值 0.15 分配不正确。对此有什么想法吗？

Answer 1

我们可以使用cut来进行分组。我们在 group_by 中创建 'gr' 列，使用 summarise 创建每个组中的元素数 (n())，并对输出进行排序 (arrange ) 基于 'gr'.

library(dplyr)
 DT %>% 
     group_by(gr=cut(B, breaks= seq(0, 1, by = 0.05)) ) %>% 
     summarise(n= n()) %>%
     arrange(as.numeric(gr))

由于初始对象是 data.table，这可以使用 data.table 方法完成（包括@Frank 使用 keyby 的建议）

library(data.table)
DT[,.N , keyby = .(gr=cut(B, breaks=seq(0, 1, by=0.05)))]

编辑：

根据 OP post 中的更新，我们可以将 seq

减去一个小数字

lvls <- levels(cut(DT$B, seq(0, 1, by =0.05)))
DT %>%
   group_by(gr=cut(B, breaks= seq(0, 1, by = 0.05) -
                 .Machine$double.eps, right=FALSE, labels=lvls)) %>% 
   summarise(n=n()) %>% 
   arrange(as.numeric(gr))
#          gr n
#1   (0,0.05] 2
#2 (0.05,0.1] 2
#3 (0.1,0.15] 3
#4 (0.15,0.2] 2
#5 (0.7,0.75] 1

Answer 2

添加另一个替代data.table解决方案：

我通常更喜欢使用 round_any（来自 plyr）而不是 cut：

例如

DT[, .N, keyby = round_any(B, 0.05, floor)]

这实质上将数据四舍五入为数字的任意倍数（即 0.05）。第三个参数表示在舍入时使用 floor（即 0.04 将被分组为 (0,0.05] 而不是 (0.05,0.1]）。您还可以将第三个参数设置为 ceiling 和 round（默认值）。

对于大表，此解决方案比 akrun 的 data.table 解决方案更快（对于小表，它们的速度大致相同）。

需要注意的是，这两个命令的输出是不同的 - cut 的组列是一个范围，而 round_any 的组列值是单个数字（即楼层数）。

1000 万行数据集的基准：

DT <- data.table(A=1:10000000, B=runif(10000000), Amount=runif(100, 0, 10000000))

bench::mark(
  dplyr = DT %>%
    group_by(gr = cut(B, breaks = seq(0, 1, by = 0.05))) %>%
    summarise(n = n()) %>%
    arrange(as.numeric(gr)),
  data_table_cut = DT[, .N, keyby = .(gr = cut(B, breaks = seq(0, 1, by = 0.05)))],
  data_table_round_any = DT[, .N, keyby = round_any(B, 0.05, floor)],
  check = FALSE
)

输出：

# A tibble: 3 × 13
  expression             min   median `itr/sec` mem_alloc `gc/sec` n_itr  n_gc total_time
  <bch:expr>        <bch:tm> <bch:tm>     <dbl> <bch:byt>    <dbl> <int> <dbl>   <bch:tm>
1 dplyr                654ms    654ms      1.53     445MB        0     1     0      654ms
2 data_table_cut       573ms    573ms      1.75     534MB        0     1     0      573ms
3 data_table_round_any 234ms    236ms      4.21     343MB        0     3     0      712ms

所以 round_any 大约比 data.table cut 解决方案快 2.5 倍（比 dplyr 解决方案快 2.7 倍）...

如何使用 dplyr 对列进行范围分组？

How to do range grouping on a column using dplyr?

grouping

r

dplyr