删除和聚合重复项

Question

我已经发布了我正在使用的数据样本 here。

"Parcel.." 是主要的索引变量，有很多重复项。重复项在所有其他列中都不一致。我的目标是聚合数据集，以便每个地块只有一个观察值。我使用以下代码尝试对数值向量求和：

aggregate(Ap.sample$X.11~Ap.sample$Parcel..,FUN=sum)

问题是它删除了除地块和我引用的其他矢量之外的所有内容。

我的目标是对那个 parcelID 的观察值的某些数值向量（总和）（X.11、X.13、X.15、num_units）使用相同的规则，不同的规则（平均) 对于其他数值向量 (Acres,Ttl_sq_ft,Mtr.Size)，对于字符变量仍然有不同的规则（只需选择一个名称）（假设还有另一列 "customer.name" 具有不同的值相同的唯一地块 ID，即 "Steven condominiums" 和 "Stephen apartments")，并删除所有其他变量的额外观察值。

我试过使用 numcolwise 函数，但它也不能满足我的需要。我的直觉是指定要求和的列以及要取平均值的列，如下所示：

DT<-as.data.table(Ap.sample)
sum_cols<-Ap.05[,c(10,12,14)]
mean_cols<-Ap.05[,c(17:19)]

然后使用 lapply 函数完成每个观察并执行我需要的操作。

df05<-DT[,lapply(.SD,sum), by=DT$Parcel..,.SDcols=sum_cols]
df05<-DT[,lapply(.SD,mean),by=DT$Parcel..,.SDcols=mean_cols]

但是一开始就会出现错误。我知道解决这个问题比强行解决它更简单。

Answer 1

你可以这样做：

library(dplyr)
df %>% 
  # create an hypothetical "customer.name" column 
  mutate(customer.name = sample(LETTERS[1:10], size = n(), replace = TRUE)) %>%
  # group data by "Parcel.."
  group_by(Parcel..) %>% 
  # apply sum() to the selected columns
  mutate_each(funs(sum(.)), one_of("X.11", "X.13", "X.15", "num_units")) %>%
  # likewise for mean()
  mutate_each(funs(mean(.)), one_of("Acres", "Ttl_sq_ft", "Mtr.Size")) %>%
  # select only the desired columns 
  select(X.11, X.13, X.15, num_units, Acres, Ttl_sq_ft, Mtr.Size, customer.name) %>%
  # de-duplicate while keeping an arbitrary value (the first one in row order)
  distinct(Parcel..)

删除和聚合重复项

removing and aggregating duplicates

r

subset

duplicates

lapply