Como expandir um dataframe grande em R
Pergunta
Eu tenho um dataframe
df <- data.frame(
id = c(1, 1, 1, 2, 2, 3, 3, 3, 3, 4),
date = c("1985-06-19", "1985-06-19", "1985-06-19", "1985-08-01",
"1985-08-01", "1990-06-19", "1990-06-19", "1990-06-19",
"1990-06-19", "2000-05-12"),
spp = c("a", "b", "c", "c", "d", "b", "c", "d", "a", "b"),
y = rpois(10, 5))
id date spp y
1 1 1985-06-19 a 6
2 1 1985-06-19 b 3
3 1 1985-06-19 c 7
4 2 1985-08-01 c 7
5 2 1985-08-01 d 6
6 3 1990-06-19 b 5
7 3 1990-06-19 c 4
8 3 1990-06-19 d 4
9 3 1990-06-19 a 6
10 4 2000-05-12 b 6
Quero expandi-lo para que haja todas as combinações de id e spp e tenha y = 0
para cada combinação que não está atualmente no dataframe.O dataframe tem atualmente cerca de 100.000 linhas e 15 colunas.Quando expandido, seriam cerca de 300.000 colunas (existem 17 valores exclusivos de spp
no meu conjunto de dados real).
Para cada valor de id
o date
é o mesmo (ex.quando id = 2, data sempre = 01/08/1985).No meu conjunto de dados real, todas as colunas, exceto spp
e y
pode ser especificado pelo id
.
Quero terminar com algo como:
id date spp y
1 1985-06-19 a 6
1 1985-06-19 b 3
1 1985-06-19 c 7
1 1985-06-19 d 0*
2 1985-08-01 a 0*
2 1985-08-01 b 0*
2 1985-08-01 c 7
2 1985-08-01 d 6
3 1990-06-19 b 5
3 1990-06-19 c 4
3 1990-06-19 d 4
3 1990-06-19 a 6
4 2000-05-12 a 0*
4 2000-05-12 b 6
4 2000-05-12 c 0*
4 2000-05-12 d 0*
- Indicar linhas adicionadas
Provavelmente terei que fazer isso no futuro com quadros de dados potencialmente muito maiores, portanto, uma maneira rápida e eficiente (tempo e memória) de fazer isso seria apreciada, mas qualquer solução me satisfaria.Eu acho que deveria haver maneiras de usar o dplyr
, data.table
, ou reshape
pacotes, mas não estou muito familiarizado com nenhum deles.Não tenho certeza se seria mais fácil expandir apenas as linhas id, spp e y e depois fazer um left_join()
ou merge()
recombinar a data (e todas as outras variáveis no meu dataframe real) com base em id
?
Solução
expand.grid
é uma função útil aqui,
mergedData <- merge(
expand.grid(id = unique(df$id), spp = unique(df$spp)),
df, by = c("id", "spp"), all =T)
mergedData[is.na(mergedData$y), ]$y <- 0
mergedData$date <- rep(levels(df$date),
each = length(levels(df$spp)))
Como você não está realmente fazendo nada com subconjuntos de dados, não acho plyr
ajudará, talvez maneiras mais eficientes com data.table
.
Outras dicas
Eu iria pelo segundo caminho, espero que isso ajude
x<-unique(df$id)
y<-unique(df$spp)
newdf<-data.frame(x=rep(x,each=length(y)),y=rep(y, length(x)))
merged<-merge(newdf, df, by.x=c(x,y), by.y=c("id","spp"), all=T)
Há uma nova função complete
na versão de desenvolvimento do tidyr
isso faz isso.Claro complete
usa expand.grid
internamente.
# get new version of tidyr
devtools::install_github("hadley/tidyr")
# load package
require(tidyr)
# calculations
complete(df, c(id, date), spp, fill = list(y = 0))
## id date spp y
## 1 1 1985-06-19 a 5
## 2 1 1985-06-19 b 3
## 3 1 1985-06-19 c 5
## 4 1 1985-06-19 d 0
## 5 2 1985-08-01 a 0
## 6 2 1985-08-01 b 0
## 7 2 1985-08-01 c 4
## 8 2 1985-08-01 d 9
## 9 3 1990-06-19 a 8
## 10 3 1990-06-19 b 3
## 11 3 1990-06-19 c 5
## 12 3 1990-06-19 d 6
## 13 4 2000-05-12 a 0
## 14 4 2000-05-12 b 3
## 15 4 2000-05-12 c 0
## 16 4 2000-05-12 d 0