dplyr？ - 寻找一种更有效的方法来汇总数据

Question

又卡住了，希望有更多线索的可以指点一下;o)

我有一个数据集； 3,270 行发布日期 (2013-04-01:2014-03-31) 和域（coindesk、forbes、mashable、nytimes、reuters、techcrunch、thenextweb 和 theverge）。副本为here)

> df <- read.csv("dplyr_summary_example.csv")
> head(df)
  datePublished  domain
1 2013-04-01     coindesk
2 2013-04-01     coindesk
3 2013-04-13     coindesk
4 2013-04-15     coindesk
5 2013-04-15     coindesk

基本上 df 每次发布一个故事时都会有一行 date/domain 对。

我想做的是创建一个看起来有点像的新数据框（例如，数字是编造的）...

datePublished  coindeskStories  forbesStories... thevergeStories totalStories
2013-04-01     2                1                1               4 
2013-04-13     1                1                0               2
2013-04-15     2                0                1               3

所以对于 df 中的每个日期，我想要一列每个域的总故事，最后是总计列（总计总计很容易）。

我一直在研究 dplyr，它看起来确实可以完成这项工作，但到目前为止我还没有一步完成。

对于每个域然后加入东西是相当简单的：

daily        <- group_by(df,datePublished) # group stories by date

cnt.nytimes  <- filter(daily, domain=="nytimes")  # filter just the nytimes ones
cnt.nytimes  <- summarise(cnt.nytimes,nytimesStories=n()) # give table of stories by date

cnt.mashable <- filter(daily, domain=="mashable")
cnt.mashable <- summarise(cnt.mashable,mashableStories=n())

df.Stories   <- full_join(cnt.nytimes,cnt.mashable,by="datePublished") # join cnt. dataframes by datePublished
df.Stories   <- arrange(df.Stories,datePublished) #sort by datePublished

df.Stories$totalStories <- apply(df.Stories[c(2:3)],1,sum,na.rm=TRUE) #add a totals column

BUT 在每个域上执行此操作然后使用连接似乎有点低效。

谁能推荐一条更简单的路线？

Answer 1

那reshape2::dcast

呢

require(reshape2)
res <- dcast(df, datePublished ~ domain, value.var = "domain", fun.aggregate = length)

结果：

> head(res)
  datePublished coindesk forbes mashable nytimes reuters techcrunch thenextweb theverge
1    2013-04-01        2      2        0       0       0          1          0        2
2    2013-04-02        0      1        1       0       0          0          0        0
3    2013-04-03        0      3        1       0       0          2          0        0
4    2013-04-04        0      0        0       0       0          1          1        1
5    2013-04-05        0      1        0       0       0          1          1        1
6    2013-04-07        0      1        0       1       0          1          0        0

评论：如果您希望将发布日期作为日期而不是因素使用

df$datePublished <- as.Date(as.character(df$datePublished))

紧接着 read.csv

Answer 2

要更改为宽格式，除了 dplyr 之外，您还需要使用 tidyr。像

library(dplyr)
library(tidyr)

df %>% 
    group_by(datePublished, domain) %>%
    summarise(nstories = n()) %>%
    spread(domain, nstories)

Answer 3

为什么不直接使用 ?aggregate 和 ?summary？

我无法下载您的数据。然而，这可能对您有所帮助：

set.seed(12)
n <- 10000
date <- sample(1:100, n, replace=T)
type <- sample(letters[1:5], n, replace=T)
sample <- data.frame(date=date, type=type)

temp <- sample[date==1,]
aggregate(type ~ date, data=sample, FUN=summary)

dplyr？ - 寻找一种更有效的方法来汇总数据

dplyr? - looking for a more efficient way to summarise data

r

dplyr