将一个dataframe连接到另一个dataframe上，该dataframe与分类变量总结的内容相同

Question

使用库(Tidyverse)。

我有一个非常大的数据帧，结构是这样的(数千个观测值按站点分为31个级别)：

 A tibble: 31 x 5
   STATION     NAME       LONGITUDE LATITUDE ELEVATION
   <fct>       <list>     <list>    <list>   <list>   
 1 US1ORLA0001 <chr [31]> <NULL>    <NULL>   <NULL>   
 2 US1ORLA0003 <chr [31]> <NULL>    <NULL>   <NULL>   
 3 US1ORLA0004 <chr [31]> <NULL>    <NULL>   <NULL>   
 4 US1ORLA0005 <chr [31]> <NULL>    <NULL>   <NULL>   
 5 US1ORLA0031 <chr [31]> <NULL>    <NULL>   <NULL>   
 6 US1ORLA0040 <chr [31]> <NULL>    <NULL>   <NULL>   
 7 US1ORLA0050 <chr [31]> <NULL>    <NULL>   <NULL>   
 8 US1ORLA0076 <chr [31]> <NULL>    <NULL>   <NULL>   
 9 US1ORLA0088 <chr [31]> <NULL>    <NULL>   <NULL>   
10 US1ORLA0089 <chr [31]> <NULL>    <NULL>   <NULL>   
 ... with 21 more rows

我还有这个数据集的汇总版本，它是我用以下代码创建的：

summary <- raw %>%
  group_by(STATION) %>%
  summarise(count = n()) %>% 
  arrange(desc(count))

结果是：

# A tibble: 31 x 2
   STATION     count
   <fct>       <int>
 1 USC00353995 17136
 2 USC00351324 14110
 3 USR0000OHIG 11610
 4 USR0000OVIL 11500
 5 USR0000OGOO 10855
 6 USC00352972 10068
 7 USR0000ODUN  8286
 8 USC00355204  5880
 9 USR0000OCLY  4514
10 USC00352973  4295
# ... with 21 more rows

我的目标是以left_join的方式将原始数据tibble连接到摘要数据tibble，这将导致每个级别(站点因子)有一个数据帧，一个COUNT列，以及来自原始数据的其余列(name，long，lat，ele)。如下所示：

# A tibble: 31 x 6
# Groups:   STATION [31]
   STATION     count NAME                       LONGITUDE LATITUDE ELEVATION
   <fct>       <int> <fct>                          <dbl>    <dbl>     <dbl>
 1 USC00353995 17136 HONEYMAN STATE PARK, OR US     -124.     43.9      35.1
# ... with 30 more rows

我已经尝试使用以下命令来完成此操作：

desired_output <- left_join(summary, raw, by = c("STATION" = "STATION"))

我希望它保留x中的行(每个级别1行)和y中的列。问题是，它也保留了y形式的所有行，所以我以以下形式结束：

# A tibble: 135,905 x 6
# Groups:   STATION [31]
   STATION     count NAME                       LONGITUDE LATITUDE ELEVATION
   <fct>       <int> <fct>                          <dbl>    <dbl>     <dbl>
 1 USC00353995 17136 HONEYMAN STATE PARK, OR US     -124.     43.9      35.1
 2 USC00353995 17136 HONEYMAN STATE PARK, OR US     -124.     43.9      35.1
 3 USC00353995 17136 HONEYMAN STATE PARK, OR US     -124.     43.9      35.1
 4 USC00353995 17136 HONEYMAN STATE PARK, OR US     -124.     43.9      35.1
 5 USC00353995 17136 HONEYMAN STATE PARK, OR US     -124.     43.9      35.1
 6 USC00353995 17136 HONEYMAN STATE PARK, OR US     -124.     43.9      35.1
 7 USC00353995 17136 HONEYMAN STATE PARK, OR US     -124.     43.9      35.1
 8 USC00353995 17136 HONEYMAN STATE PARK, OR US     -124.     43.9      35.1
 9 USC00353995 17136 HONEYMAN STATE PARK, OR US     -124.     43.9      35.1
10 USC00353995 17136 HONEYMAN STATE PARK, OR US     -124.     43.9      35.1
# ... with 135,895 more rows

这对我的目的没什么用。

实现这一目标和类似结果的最佳方法是什么？我愿意以完全不同的方式来做这件事(而不是使用汇总等)。

Answer 1

我们在原始数据集上创建一个'count‘列，然后对这些列应用distinct，以便每个组只获得一个观察值

library(dplyr)
raw %>% 
     group_by(STATION) %>% 
     mutate(count = n()) %>% 
     ungroup %>% 
     distinct(STATION, .keep_all = TRUE)

注意:在输入数据集中，一些列显示为list。根据显示的预期输出情况尚不清楚

Answer 2

data.table方式：

library(data.table)
setDT(raw)

raw[ , .(count=.N, lat=unique(LATITUDE), lng=unique(LONGITUDE)), by=STATION]