时间戳

首页 > 解决方案 > 如何按组有条件地计算唯一值

r - 如何按组有条件地计算唯一值

问题描述

我有一个每日用户记录。每天一个用户可以有多个记录。我想计算滚动 3 天窗口中的唯一用户数。我怎样才能做到这一点？

set.seed(123)
dat<-data.table(day=rep(1:5,sample(6,5)))
dat$id<-sample(10,dat[,.N],replace=T)

> dat
    day id
 1:   1  1
 2:   1  6
 3:   2  9
 4:   2  6
 5:   2  5
 6:   2 10
 7:   3  5
 8:   3  7
 9:   3  6
10:   3  2
11:   3  9
12:   3  3
13:   4  1
14:   4  4
15:   4 10
16:   5  9
17:   5  7
18:   5  7
19:   5 10
20:   5  7

我希望结果如下，即对于每一天 x，我想计算第 x、x-1 和 x-2 天的唯一 ID 数。

sqldf('select a.day,count(distinct b.id) as user_cnt 
  from dat as a left join dat as b on a.day<=b.day+2 and a.day>=b.day group by a.day')  


day user_cnt
1     2
2     5
3     8
4     9
5     9

标签： rdata.table

解决方案

通过多次阅读您的问题并检查您想要的输出，您似乎想要一个自适应滚动“独特”功能，向右对齐（即前n 天），窗口为 3 天。

应该可以使用数据表，并且akrun提供了一个非自适应解决方案，其中 align='left'。但是，您需要 align='right' （默认值）。

library(data.table)

dt[, .(.(id)), day][
   , frollapply(seq_len(.N), n = 3, FUN = function(i) uniqueN(unlist(V1[i])))

[1] NA NA  8  9  9

注意

dt[, .(.(id)), day]
   day             V1
1:   1            1,6
2:   2     9, 6, 5,10
3:   3    5,7,6,2,9,3
4:   4        1, 4,10
5:   5  9, 7, 7,10, 7

frollapply不幸的是，与其他（frollmean和）不同，data.table 没有为函数提供部分（自适应=真）窗口选项frollsum。

我们能试试...

nk <- function(x, k) c(seq.int(k), rep(k, x - k))

dt[, .(.(id)), day][
    , frollapply(seq_len(.N), n = nk(.N, 3), FUN = function(i) uniqueN(unlist(V1[i])))

   V1 V2 V3 V4 V5
1:  2 NA NA NA NA
2:  4  5 NA NA NA
3:  6  7  8  8  8
4:  3  9  9  9  9
5:  3  5  9  9  9

但是我们得到了一个包含 5 列的 data.table，其中的答案隐藏在对角线中。

所以我最终使用mapply了一个用户定义的函数N_unique来计算滚动窗口返回的 id 列表中的唯一值。我们仍然可以通过nk上面定义的函数使用部分窗口宽度。

N_unique <- function(i, width, x){
    uniqueN(unlist(x[(i - (width - 1)):i]))
}

dt2 <- dt[, .(.(id)), day][
  , user_cnt := mapply(FUN = N_unique, i = seq_len(.N), 
                       width = nk(.N, 3), MoreArgs = list(x = V1))][, V1:=NULL]
dt2
   day user_cnt
1:   1        2
2:   2        5
3:   3        8
4:   4        9
5:   5        9

资料：

dput(dt)
structure(list(day = c(1L, 1L, 2L, 2L, 2L, 2L, 3L, 3L, 3L, 3L, 
3L, 3L, 4L, 4L, 4L, 5L, 5L, 5L, 5L, 5L), id = c(1, 6, 9, 6, 5, 
10, 5, 7, 6, 2, 9, 3, 1, 4, 10, 9, 7, 7, 10, 7)), row.names = c(NA, 
-20L), class = c("data.table", "data.frame"), .internal.selfref = <pointer: 0x0bae2498>)

注意dt：使用创建的命令set.seed导致与 OP 提供的不同。

推荐阅读