Самый быстрый способ изменить значения переменных в виде столбцов - PullRequest
Новая
       8

Самый быстрый способ изменить значения переменных в виде столбцов

11 голосов
/ 15 ноября 2011

У меня есть набор данных с примерно 3 миллионами строк и следующей структурой: 

PatientID| Year | PrimaryConditionGroup
---------------------------------------
1        | Y1   | TRAUMA
1        | Y1   | PREGNANCY
2        | Y2   | SEIZURE
3        | Y1   | TRAUMA

Будучи довольно новым для R, у меня возникли проблемы с поиском правильного способа преобразования данных в структуру, описанную ниже: 

PatientID| Year | TRAUMA | PREGNANCY | SEIZURE
----------------------------------------------
1        | Y1   | 1      | 1         | 0
2        | Y2   | 0      | 0         | 1
3        | Y1   | 1      | 0         | 1

У меня вопрос: какой самый быстрый / самый элегантный способ создания data.frame, где значения PrimaryConditionGroup становятся столбцами, сгруппированными по PatientID и Year (считая количество вхождений)?

Ответы [ 2 ]

12 голосов
/ 16 ноября 2011

Вероятно, есть более лаконичные способы сделать это, но для максимальной скорости трудно победить решение на основе data.table: 

df <- read.table(text="PatientID Year  PrimaryConditionGroup
1         Y1    TRAUMA
1         Y1    PREGNANCY
2         Y2    SEIZURE
3         Y1    TRAUMA", header=T)

library(data.table)
dt <- data.table(df, key=c("PatientID", "Year"))

dt[ , list(TRAUMA =    sum(PrimaryConditionGroup=="TRAUMA"),
           PREGNANCY = sum(PrimaryConditionGroup=="PREGNANCY"),
           SEIZURE =   sum(PrimaryConditionGroup=="SEIZURE")),
   by = list(PatientID, Year)]

#      PatientID Year TRAUMA PREGNANCY SEIZURE
# [1,]         1   Y1      1         1       0
# [2,]         2   Y2      0         0       1
# [3,]         3   Y1      1         0       0

РЕДАКТИРОВАТЬ: aggregate()предоставляет «базовое R» решение, которое может быть или не быть более идиоматическим.(Единственное осложнение состоит в том, что агрегат возвращает матрицу, а не data.frame; вторая строка ниже исправляет это.) 

out <- aggregate(PrimaryConditionGroup ~ PatientID + Year, data=df, FUN=table)
out <- cbind(out[1:2], data.frame(out[3][[1]]))

2-е РЕДАКТИРОВАНИЕ Наконец, краткое решение с использованиемпакет reshape доставит вас в то же место. 

library(reshape)
mdf <- melt(df, id=c("PatientID", "Year"))
cast(PatientID + Year ~ value, data=j, fun.aggregate=length)
1 голос
/ 13 марта 2014

Существуют быстрые melt и dcast data.table специфичные методы, реализованные в C, в версиях >=1.9.0.Вот сравнение с другими превосходными ответами из поста @ Джоша о 3-миллионных данных строк (только исключая base ::: агрегат, поскольку это занимало довольно много времени).

Для получения дополнительной информации о записи NEWS, перейдите по ссылке здесь .

Я предполагаю, что у вас 1000 пациентов и всего 5 лет.Вы можете настроить переменные patients и year соответственно. 

require(data.table) ## >= 1.9.0
require(reshape2)

set.seed(1L)
patients = 1000L
year = 5L
n = 3e6L
condn = c("TRAUMA", "PREGNANCY", "SEIZURE")

# dummy data
DT <- data.table(PatientID = sample(patients, n, TRUE),
                 Year = sample(year, n, TRUE), 
                 PrimaryConditionGroup = sample(condn, n, TRUE))

DT_dcast <- function(DT) {
    dcast.data.table(DT, PatientID ~ Year, fun.aggregate=length)
}

reshape2_dcast <- function(DT) {
    reshape2:::dcast(DT, PatientID ~ Year, fun.aggregate=length)
}

DT_raw <- function(DT) {
    DT[ , list(TRAUMA = sum(PrimaryConditionGroup=="TRAUMA"),
            PREGNANCY = sum(PrimaryConditionGroup=="PREGNANCY"),
              SEIZURE = sum(PrimaryConditionGroup=="SEIZURE")),
    by = list(PatientID, Year)]
}

# system.time(.) timed 3 times
#         Method Time_rep1 Time_rep2 Time_rep3
#       dcast_DT     0.393     0.399     0.396
#    reshape2_DT     3.784     3.457     3.605
#         DT_raw     0.647     0.680     0.657

dcast.data.table примерно в 1,6 раза быстрее, чем обычное агрегирование, используя data.table и в 8,8 раза быстрее, чем reshape2:::dcast.

...