r - 通过 R 中行的平均分布合并 2 Data.frame
问题描述
我有两个数据框df_1和df_2超过 5000 个观察值（行）。我想基于两个相似的列将它们合并为Date和Mcode，以使行在两个数据帧中均匀分布。详情见下文。
>df_1
Date Mcode TNo. BSize
1 1/8/2014 3R72B7K8ZN 1426576 7.2
2 1/8/2014 3R72B7K8ZN 1426578 7.5
3 1/8/2014 3R72B7K8ZN 1426579 7.5
4 1/8/2014 8R55BNW9H5 1426581 7.2
5 1/8/2014 8R55BNW9H5 1426582 7.5
6 1/8/2014 8R55BNW9H5 1426584 7.5
7 1/8/2014 3R72B7K8ZN 1426606 7.5
8 1/8/2014 3R72B7K8ZN 1426610 7.2
9 1/8/2014 8R55BNW9H5 1426621 7.5
10 1/8/2014 8R55BNW9H5 1426624 7.5
11 2/8/2014 4R72B7K9ZN 1426626 7.5
12 2/8/2014 4R72B7K9ZN 1426627 7.5
13 2/8/2014 8R55BNW9H5 1426638 7.2
14 2/8/2014 8R55BNW9H5 1426639 7.2
15 2/8/2014 4R60B6K6ZN 1426699 7.5
16 3/8/2014 4R60B6K6ZN 1426701 1.5
17 3/8/2014 4R72B7K9ZN 1426703 7.5
18 3/8/2014 4R60B6K6ZN 1426704 7.5
19 3/8/2014 4R72B7K9ZN 1426705 7.5
20 3/8/2014 4R72B7K9ZN 1426706 7.2
AND 同样的第二个数据帧如下。
>df_2
Date Mcode X28days X7days
1 1/8/2014 3R72B7K8ZN 64.0 51.1
2 1/8/2014 3R72B7K8ZN 65.0 51.6
3 1/8/2014 8R55BNW9H5 75.4 58.4
4 1/8/2014 8R55BNW9H5 78.7 57.1
5 2/8/2014 4R72B7K9ZN 75.7 58.8
6 2/8/2014 4R72B7K9ZN 73.9 56.9
7 2/8/2014 8R55BNW9H5 77.3 60.8
8 2/8/2014 4R60B6K6ZN 62.6 48.5
9 3/8/2014 4R72B7K9ZN 71.2 56.1
10 4/8/2014 4R60B6K6ZN 59.3 46.8
11 4/8/2014 4R60B6K7ZN 68.5 51.2
我想合并df_1，df_2结果df_3（与 的行数相同df_1）应该如下
>df_3
Date Mcode TNo. BSize X28days X7days
1 1/8/2014 3R72B7K8ZN 1426576 7.2 64.0 51.1
2 1/8/2014 3R72B7K8ZN 1426578 7.5 64.0 51.1
3 1/8/2014 3R72B7K8ZN 1426579 7.5 64.0 51.1
4 1/8/2014 8R55BNW9H5 1426581 7.2 75.4 58.4
5 1/8/2014 8R55BNW9H5 1426582 7.5 75.4 58.4
6 1/8/2014 8R55BNW9H5 1426584 7.5 75.4 58.4
7 1/8/2014 3R72B7K8ZN 1426606 7.5 65.0 51.6
8 1/8/2014 3R72B7K8ZN 1426610 7.2 65.0 51.6
9 1/8/2014 8R55BNW9H5 1426621 7.5 78.7 57.1
10 1/8/2014 8R55BNW9H5 1426624 7.5 78.7 57.1
11 2/8/2014 4R72B7K9ZN 1426626 7.5 75.7 58.8
12 2/8/2014 4R72B7K9ZN 1426627 7.5 75.7 58.8
13 2/8/2014 8R55BNW9H5 1426638 7.2 77.3 60.8
14 2/8/2014 8R55BNW9H5 1426639 7.2 77.3 60.8
15 2/8/2014 4R60B6K6ZN 1426699 7.5 62.6 48.5
16 3/8/2014 4R60B6K6ZN 1426701 1.5 NA NA
17 3/8/2014 4R72B7K9ZN 1426703 7.5 71.2 56.1
18 3/8/2014 4R60B6K6ZN 1426704 7.5 NA NA
19 3/8/2014 4R72B7K9ZN 1426705 7.5 71.2 56.1
20 3/8/2014 4R72B7K9ZN 1426706 7.2 71.2 56.1
如果我们运行df_3%>%filter(Date=="1/8/2014", Mcode=="3R72B7K8ZN")，它会给出
Date Mcode TNo. BSize X28days X7days
1 1/8/2014 3R72B7K8ZN 1426576 7.2 64 51.1
2 1/8/2014 3R72B7K8ZN 1426578 7.5 64 51.1
3 1/8/2014 3R72B7K8ZN 1426579 7.5 64 51.1
4 1/8/2014 3R72B7K8ZN 1426606 7.5 65 51.6
5 1/8/2014 3R72B7K8ZN 1426610 7.2 65 51.6
请参阅 的前两行df_2平均分布在最终或合并数据集中df_3。对于所有行都可以看到类似的合并模式。注意：我希望这种类型的合并用于大小大于 30x5000（col x 行）的完整数据集。完整数据中的日期是 2014 年和 2015 年（超过 700 个日期），Mcode 有 30 多种不同的类型。
任何可以帮助我的人，我将非常感激。
解决方案
解决此问题的一种方法是向两个数据框添加一个额外的 id 列。
我会obs_id在这里调用它。Date此 id 在和的每组中设置Mcode，以计数到相应其他数据帧中的最大观察数，然后从 1“重置”。
如下所示：
library(dplyr)
df_1a <- df_1 %>%
left_join(
df_2 %>% count(Date, Mcode, name = "df_2_obs_n"),
by = c("Date", "Mcode")
) %>%
group_by(Date, Mcode) %>%
mutate(
obs_id = first(df_2_obs_n) %>%
coalesce(0) %>%
seq() %>%
rep(length.out = n())
) %>%
ungroup() %>%
select(-df_2_obs_n)
df_2a <- df_2 %>%
left_join(
df_1a %>% count(Date, Mcode, name = "df_1_obs_n"),
by = c("Date", "Mcode")
) %>%
group_by(Date, Mcode) %>%
mutate(
obs_id = first(df_1_obs_n) %>%
coalesce(0) %>%
seq() %>%
rep(length.out = n())
) %>%
ungroup() %>%
select(-df_1_obs_n)
对于您的示例组，Date=="1/8/2014", Mcode=="3R72B7K8ZN"此列会生成如下所示的列：
> df_1a %>% filter(Date=="1/8/2014", Mcode=="3R72B7K8ZN")
# A tibble: 5 x 5
Date Mcode TNo. BSize obs_id
<chr> <chr> <int> <dbl> <int>
1 1/8/2014 3R72B7K8ZN 1426576 7.2 1
2 1/8/2014 3R72B7K8ZN 1426578 7.5 2
3 1/8/2014 3R72B7K8ZN 1426579 7.5 1
4 1/8/2014 3R72B7K8ZN 1426606 7.5 2
5 1/8/2014 3R72B7K8ZN 1426610 7.2 1
> df_2a %>% filter(Date=="1/8/2014", Mcode=="3R72B7K8ZN")
# A tibble: 2 x 5
Date Mcode X28days X7days obs_id
<chr> <chr> <dbl> <dbl> <int>
1 1/8/2014 3R72B7K8ZN 64 51.1 1
2 1/8/2014 3R72B7K8ZN 65 51.6 2
现在，您可以基于该列离开连接，您将看到这些列df_2a“均匀分布”，至少与您预期的一样多。
df_3a <- df_1a %>%
left_join(df_2a, by = c("Date", "Mcode", "obs_id"))
> df_3a %>% filter(Date=="1/8/2014", Mcode=="3R72B7K8ZN")
# A tibble: 5 x 7
Date Mcode TNo. BSize obs_id X28days X7days
<chr> <chr> <int> <dbl> <int> <dbl> <dbl>
1 1/8/2014 3R72B7K8ZN 1426576 7.2 1 64 51.1
2 1/8/2014 3R72B7K8ZN 1426578 7.5 2 65 51.6
3 1/8/2014 3R72B7K8ZN 1426579 7.5 1 64 51.1
4 1/8/2014 3R72B7K8ZN 1426606 7.5 2 65 51.6
5 1/8/2014 3R72B7K8ZN 1426610 7.2 1 64 51.1
由于在模式中obs_id重复，表行的连接顺序与您上面描述的不同。如果这是一个问题，您可以像这样调整调用：1,2,1,2,1df_1adf_2adf_3rep(...)
df_1b <- df_1 %>%
left_join(
df_2 %>%
count(Date, Mcode, name = "df_2_obs_n"),
by = c("Date", "Mcode")
) %>%
group_by(Date, Mcode) %>%
mutate(
df_2_obs_n = coalesce(df_2_obs_n, 1),
obs_id = first(df_2_obs_n) %>%
seq() %>%
rep(length.out = n(), each = ceiling(n()/first(df_2_obs_n)))
) %>%
ungroup() %>%
select(-df_2_obs_n)
df_2b <- df_2 %>%
left_join(
df_1a %>%
count(Date, Mcode, name = "df_1_obs_n"),
by = c("Date", "Mcode")
) %>%
group_by(Date, Mcode) %>%
mutate(
df_1_obs_n = coalesce(df_1_obs_n, 1),
obs_id = first(df_1_obs_n) %>%
seq() %>%
rep(length.out = n(), each = ceiling(n()/first(df_1_obs_n)))
) %>%
ungroup() %>%
select(-df_1_obs_n)
现在，obs_id重复模式是1,1,1,2,2，你得到了你描述的结果。
df_3b <- df_1b %>%
left_join(df_2b, by = c("Date", "Mcode", "obs_id"))
> df_3b %>% filter(Date=="1/8/2014", Mcode=="3R72B7K8ZN")
# A tibble: 5 x 7
Date Mcode TNo. BSize obs_id X28days X7days
<chr> <chr> <int> <dbl> <int> <dbl> <dbl>
1 1/8/2014 3R72B7K8ZN 1426576 7.2 1 64 51.1
2 1/8/2014 3R72B7K8ZN 1426578 7.5 1 64 51.1
3 1/8/2014 3R72B7K8ZN 1426579 7.5 1 64 51.1
4 1/8/2014 3R72B7K8ZN 1426606 7.5 2 65 51.6
5 1/8/2014 3R72B7K8ZN 1426610 7.2 2 65 51.6
推荐阅读
- winapi - 如何初始化 LPBOOL？Kotlin Native 中的 Win32 Api
- c# - WebApi 未在控制器上找到操作
- node.js - 为什么发布请求返回未定义
- django - 如何链接到 django 中的页面
- reactjs - 单击 CANCEL 按钮时显示 Prompt react-router v4
- firebase - firebase CLI 未部署到正确的项目
- html - Stray start tag html 错误是什么意思？
- node.js - 节点按 id 显示用户信息
- desktop - OpenBox 中不可见的滚动条和框
- elm - Array.set 期望 Array.Array Char 但得到 Maybe (Array.Array Char)