第N组标签(只包括有新组别的毕业生)

Question

比如说，我有一个df

df <- data.table(user = c('a', 'a', 'b')
                 ); df

user
 a
 a
 b

我希望在user级别创建一个新的列，名为user：

user group_id
 a        1
 a        1
 b        2

有没有一种快速/可伸缩的方法？我可以用一个join来完成这个任务(并且理解data.table使用join是快速的)，但是我想知道是否有一个更简单、更快的方法。假设我有大约1e8行，并且该方法将应用于组中的多个列(例如，这里只有1，即user)

我从以下几个方面开始：

df[, step_1 := as.integer(duplicated(df))]; df

user step_1
 a      0
 a      1
 b      0

但我不知道下一步是什么，我也不确定这是否是正确的方向。谢谢。

Answer 1

我们也可以使用match

df[, group_id := match(user, unique(user))]

Answer 2

data.table的特殊符号.GRP也适用于多个分组列。

df[, group_id := .GRP, by = user][]

用户group_id a 1 a 1 b 2

或者，可以使用rleid()函数，但这要求数据集由相同的列排序：

df[order(user), group_id := rleid(user)][] 

user group\_id 1: a 1 2: a 1 3: b 2

Answer 3

将用户转换为因子。然后将其转换为整数，以提取因子使用的底层代码。

df[, group_id := as.integer(factor(user))]
df
##    user group_id
## 1:    a        1
## 2:    a        1
## 3:    b        2