質問
Rに900,000行と11列のデータフレームがあります。列名とタイプは次のとおりです。
column name: date / mcode / mname / ycode / yname / yissue / bsent / breturn / tsent / treturn / csales
type: Date / Char / Char / Char / Char / Numeric / Numeric / Numeric / Numeric / Numeric / Numeric
潜水艦を計算したいです。たとえば、YNAMEの各変更で合計を計算し、すべての数値変数にサブトータルを追加したいと思います。 160個の異なるYNamesがあるため、結果のテーブルは各YNameの小計を教えてくれるはずです。まだデータをソートしていませんが、データをどんな方法でもソートできるため、これは問題ではありません。以下は私のデータからのスニペットです:
date mcode mname ycode yname yissue bsent breturn tsent treturn csales
417572 2010-07-28 45740 ENDPOINT A 5772 XMAG 20100800 7 0 7 0 0
417573 2010-07-31 45740 ENDPOINT A 5772 XMAG 20100800 0 0 0 0 1
417574 2010-08-04 45740 ENDPOINT A 5772 XMAG 20100800 0 0 0 0 1
417575 2010-08-14 45740 ENDPOINT A 5772 XMAG 20100800 0 0 0 0 1
417576 2010-08-26 45740 ENDPOINT A 5772 XMAG 20100800 0 4 0 0 0
417577 2010-07-28 45741 ENDPOINT L 5772 XMAG 20100800 2 0 2 0 0
417578 2010-08-04 45741 ENDPOINT L 5772 XMAG 20100800 2 0 2 0 0
417579 2010-08-26 45741 ENDPOINT L 5772 XMAG 20100800 0 4 0 0 0
417580 2010-07-28 46390 ENDPOINT R 5772 XMAG 20100800 3 0 3 0 1
417581 2010-07-29 46390 ENDPOINT R 5772 XMAG 20100800 0 0 0 0 2
417582 2010-08-01 46390 ENDPOINT R 5779 YMAG 20100800 3 0 3 0 0
417583 2010-08-11 46390 ENDPOINT R 5779 YMAG 20100800 0 0 0 0 1
417584 2010-08-20 46390 ENDPOINT R 5779 YMAG 20100800 0 0 0 0 1
417585 2010-08-24 46390 ENDPOINT R 5779 YMAG 20100800 2 0 2 0 1
417586 2010-08-26 46390 ENDPOINT R 5779 YMAG 20100800 0 2 0 2 0
417587 2010-07-28 46411 ENDPOINT D 5779 YMAG 20100800 6 0 6 0 0
417588 2010-08-08 46411 ENDPOINT D 5779 YMAG 20100800 0 0 0 0 1
417589 2010-08-11 46411 ENDPOINT D 5779 YMAG 20100800 0 0 0 0 1
417590 2010-08-26 46411 ENDPOINT D 5779 YMAG 20100800 0 4 0 4 0
ここでどの機能を使用する必要がありますか?たぶんSQLのようなもの group by
?
解決
わかった。データが名前付きデータフレームにあると仮定します foo
:
> head(foo)
date mcode mname ycode yname yissue bsent breturn tsent
417572 2010/07/28 45740 ENDPOINT A 5772 XMAG 20100800 7 0 7
417573 2010/07/31 45740 ENDPOINT A 5772 XMAG 20100800 0 0 0
417574 2010/08/04 45740 ENDPOINT A 5772 XMAG 20100800 0 0 0
417575 2010/08/14 45740 ENDPOINT A 5772 XMAG 20100800 0 0 0
417576 2010/08/26 45740 ENDPOINT A 5772 XMAG 20100800 0 4 0
417577 2010/07/28 45741 ENDPOINT L 5772 XMAG 20100800 2 0 2
treturn csales
417572 0 0
417573 0 1
417574 0 1
417575 0 1
417576 0 0
417577 0 0
次に、これにより、データ内の数値列の集約が行われます。
> aggregate(cbind(bsent, breturn, tsent, treturn, csales) ~ yname, data = foo,
+ FUN = sum)
yname bsent breturn tsent treturn csales
1 XMAG 14 8 14 0 6
2 YMAG 11 6 11 6 5
それはあなたがあなたのQに含めたデータのスニペットを使用していました。私はフォーミュラインターフェイスをに使用しました aggregate()
, 、この場合、これはすべてを必要としないので、もう少し良いです foo$
変数名のビットは、集計を希望するものです。データがない場合(NA
)完全なデータセットでは、追加の引数を追加する必要があります na.rm = TRUE
これは渡されます sum()
, 、 そのようです:
> aggregate(cbind(bsent, breturn, tsent, treturn, csales) ~ yname, data = foo,
+ FUN = sum, na.rm = TRUE)
他のヒント
または plyr
ライブラリ。他のデータクラスに簡単に拡張できます。
> library(plyr)
> result.2 <- ddply(df$a, .(df$b), sum)
> result.2
df.b V1
1 down 30
2 up 25
使用することもできます xtabs
また tapply
:
xtabs(cbind(bsent, breturn, tsent, treturn, csales) ~ yname, data)
tapply(data$bsent, data$yname, sum)
データが大きく、速度が重要な場合は、r関数の列を使用することをお勧めします。これははるかに高速です。 3つの方法(F1 =集計、F2 = ddply、F3 = Tapply)を適用しました。回答で提案してF4 = rowsumと比較し、ここに私が見つけたものがあります。
test replications elapsed relative
4 f4() 100 0.033 1.00
3 f3() 100 0.046 1.39
1 f1() 100 0.165 5.00
2 f2() 100 0.605 18.33
誰かがより詳細に探索したい場合は、以下にコードを追加しました。
library(plyr);
library(rbenchmark);
val = rnorm(50);
name = rep(letters[1:5], each = 10);
data = data.frame(val, name);
f1 = function(){aggregate(data$val, by=list(data$name), FUN=sum)}
f2 = function(){ddply(data, .(name), summarise, sum = sum(val))}
f3 = function(){tapply(data$val, data$name, sum)}
f4 = function(){rowsum(x = data$val, group = data$name)}
benchmark(f1(), f2(), f3(), f4(),
columns=c("test", "replications", "elapsed", "relative"),
order="relative", replications=100)
使用できます aggregate
たとえば、あなたが持っていると言ってください
val = rnorm(50)
name = rep(letters[1:5], each=10)
data <- data.frame(val, name)
そうすれば、できます
aggregate(data$val, by=list(data$name), FUN=sum)
r data.framesでSQLコマンドを使用できるSQLDFと呼ばれるRパッケージがあります。あなたがすでに言ったように、グループはいいでしょう。データをローカルMySQLデータベースに簡単に保存し、パッケージRMYSQLを使用してRに接続できます(他のほとんどのDBMも使用できますが、MySQLはセットアップが最も簡単です)。
私がそれを判断できる限り、Plyrも素晴らしいパッケージです。しかし、あなたがあなたの問題をグループとグループと比較する方法から、あなたはSQLについて何かを知っていると思いますので、これを使用する方が簡単かもしれません。 DBREADTABLEのような快適な機能があります。さらに、データが大きくなると、データのサブパートのみを選択して、本当に必要なもので分析を実行することができます。