Розділіть великий фрейм даних на список фреймів даних на основі загального значення в стовпці

Question 1

У мене є кадр даних з 10 стовпцями, що збирає дії "користувачів", де один із стовпців містить ідентифікатор (не унікальний, ідентифікуючий користувача) (стовпець 10). довжина кадру даних становить близько 750000 рядків. Я намагаюся витягти окремі кадри даних (щоб отримати список або вектор фреймів даних), розділений на стовпець, що містить ідентифікатор "користувача", щоб ізолювати дії одного актора.

ID | Data1 | Data2 | ... | UserID
1  | aaa   | bbb   | ... | u_001
2  | aab   | bb2   | ... | u_001
3  | aac   | bb3   | ... | u_001
4  | aad   | bb4   | ... | u_002

в результаті в

list(
ID | Data1 | Data2 | ... | UserID
1  | aaa   | bbb   | ... | u_001
2  | aab   | bb2   | ... | u_001
3  | aac   | bb3   | ... | u_001
,
4  | aad   | bb4   | ... | u_002
...)

На невеликому зразку (1000 рядків) мені дуже добре працює наступне:

paths = by(smallsampleMat, smallsampleMat[,"userID"], function(x) x)

а потім отримати доступ до елемента, який я хочу, за допомогою шляхів [1], наприклад.

При застосуванні до оригінального великого кадру даних або навіть представлення матриці це задихає мою машину (4 Гб оперативної пам'яті, MacOSX 10.6, R 2.15) і ніколи не завершується (я знаю, що існує нова версія R, але я вважаю, що це не головна проблема ).

Здається, розбиття є більш продуктивним і через тривалий час завершується, але я не знаю (погіршує знання R), як скласти отриманий список векторів у вектор матриць.

path = split(smallsampleMat, smallsampleMat[,10])

Я розглядав можливість використання big.matrixтощо, але без особливого успіху, що пришвидшило б процес.

Question 2

Ви можете так само легко отримати доступ до кожного елементу у списку за допомогою, наприклад path[[1]]. Ви не можете помістити набір матриць в атомний вектор і отримати доступ до кожного елемента. Матриця - це атомний вектор з атрибутами розмірності. Я б використав структуру списку, яку повертає split, це те, для чого вона була розроблена. Кожен елемент списку може містити дані різних типів та розмірів, тому він дуже універсальний, і ви можете використовувати *applyфункції для подальшої роботи з кожним елементом у списку. Приклад нижче.

#  For reproducibile data
set.seed(1)

#  Make some data
userid <- rep(1:2,times=4)
data1 <- replicate(8 , paste( sample(letters , 3 ) , collapse = "" ) )
data2 <- sample(10,8)
df <- data.frame( userid , data1 , data2 )

#  Split on userid
out <- split( df , f = df$userid )
#$`1`
#  userid data1 data2
#1      1   gjn     3
#3      1   yqp     1
#5      1   rjs     6
#7      1   jtw     5

#$`2`
#  userid data1 data2
#2      2   xfv     4
#4      2   bfe    10
#6      2   mrx     2
#8      2   fqd     9

Доступ до кожного елемента, використовуючи [[оператор, такий:

out[[1]]
#  userid data1 data2
#1      1   gjn     3
#3      1   yqp     1
#5      1   rjs     6
#7      1   jtw     5

Або використовуйте *applyфункцію для подальших операцій з кожним елементом списку. Наприклад, щоб взяти середнє значення data2стовпця, ви можете використовувати sapply таким чином:

sapply( out , function(x) mean( x$data2 ) )
#   1    2 
#3.75 6.25

Question 3

З версії 0.8.0 dplyrпропонує зручну функцію під назвою group_split():

# On sample data from @Aus_10
df %>%
  group_split(g)

[[1]]
# A tibble: 25 x 3
   ran_data1 ran_data2 g    
       <dbl>     <dbl> <fct>
 1     2.04      0.627 A    
 2     0.530    -0.703 A    
 3    -0.475     0.541 A    
 4     1.20     -0.565 A    
 5    -0.380    -0.126 A    
 6     1.25     -1.69  A    
 7    -0.153    -1.02  A    
 8     1.52     -0.520 A    
 9     0.905    -0.976 A    
10     0.517    -0.535 A    
# … with 15 more rows

[[2]]
# A tibble: 25 x 3
   ran_data1 ran_data2 g    
       <dbl>     <dbl> <fct>
 1     1.61      0.858 B    
 2     1.05     -1.25  B    
 3    -0.440    -0.506 B    
 4    -1.17      1.81  B    
 5     1.47     -1.60  B    
 6    -0.682    -0.726 B    
 7    -2.21      0.282 B    
 8    -0.499     0.591 B    
 9     0.711    -1.21  B    
10     0.705     0.960 B    
# … with 15 more rows

Щоб не включати стовпець групування:

df %>%
 group_split(g, keep = FALSE)

Question 4

Stumbled across this answer and I actually wanted BOTH groups (data containing that one user and data containing everything but that one user). Not necessary for the specifics of this post, but I thought I would add in case someone was googling the same issue as me.

df <- data.frame(
     ran_data1=rnorm(125),
     ran_data2=rnorm(125),
     g=rep(factor(LETTERS[1:5]), 25)
 )

test_x = split(df,df$g)[['A']]
test_y = split(df,df$g!='A')[['TRUE']]

Here's what it looks like:

head(test_x)
            x          y g
1   1.1362198  1.2969541 A
6   0.5510307 -0.2512449 A
11  0.0321679  0.2358821 A
16  0.4734277 -1.2889081 A
21 -1.2686151  0.2524744 A

> head(test_y)
            x          y g
2 -2.23477293  1.1514810 B
3 -0.46958938 -1.7434205 C
4  0.07365603  0.1111419 D
5 -1.08758355  0.4727281 E
7  0.28448637 -1.5124336 B
8  1.24117504  0.4928257 C