基于某一条件的两种数据的比较

Question

我有两个数据帧。df1由单个用户的参数的平均大小组成。df2包含用户相同参数的日均值。

我想计算每个df2$size > df1$size用于每个user的事件的天数。

df1 = read.table(text='user  size
AAL0706 29000
AAN0823 25000
AAV0450 30000', stringsAsFactors=FALSE, header=TRUE)


df2 = read.table(text='Date    user    size
      2010-01-04 AAL0706 31054
      2010-01-06 AAL0706 20703
      2010-01-08 AAL0706 39968
      2010-01-04 AAN0823 17892
      2010-01-06 AAN0823 37839
      2010-01-08 AAN0823 19649
      2010-01-04 AAV0450 35432
      2010-01-06 AAV0450 37839', stringsAsFactors=FALSE, header=TRUE)

预期产出如下：

   user  count
AAL0706      2
AAN0823      1
AAV0450      2

我尝试使用下面的命令来计算我的结果，但我意识到有些地方不对劲。

lapply(df1, function(y) { 
    ddply(df2$size, .(user), function(x) { 
        return(length(y$size(y$size > x$size))
    })
})

你能告诉我一种有效的方法吗？

Answer 1

我们可以从left_join从dplyr进行分组，按“用户”获取逻辑索引的sum (size.x > size.y)。

library(dplyr)
left_join(df2, df1, by = "user") %>% 
            group_by(user) %>% 
            summarise(Count = sum(size.x > size.y))
#       user Count
#     <chr> <int>
#1 AAL0706     2
#2 AAN0823     1
#3 AAV0450     2

或者使用data.table

library(data.table)
setDT(df2)[df1, .(count = sum(size > i.size)),on = "user", by = .EACHI]
#      user count
#1: AAL0706     2
#2: AAN0823     1
#3: AAV0450     2

Answer 2

使用data.table的一个稍微简单的解决方案是使用当前data.table开发版本v1.9.7中可用的新的non-equi联接功能。

require(data.table)
setDT(df2)[df1, .N, on=.(user, size > size), by=.EACHI]

根据提供给df1参数的条件，对df2的所有行进行匹配，即匹配user的确切值，并查找user中size较大的所有行。

一旦获得了匹配的行(对于每一行)，将为每一行计算表达式.N (=匹配行的计数)，因为by = .EACHI意味着这一点。它指示执行提供给第二个参数j的表达式，以便为每个i (第一个参数)运行。

有关开发版本这里，请参见安装说明。