※ 引述《joson4921 (特务)》之铭言： : : - 问题: : : [问题类型]: : : 程式谘询(我想用R 做某件事情，但是我不知道要怎麽用R 写出来) : : [软体熟悉度]: : : 入门(写过其他程式，只是对语法不熟悉) : : [问题叙述]: : : 手边有一份资料 dt1 ,里面有几个栏位,以下节录部分内容： : Stop.No TravelTime Weekend : 1 1 　　↘ : 2 1 　 → 当Stop.No==1, TravelTime介於[0,120],Weekend可能为True/False : 3 1　　 ↗ : ... : 666 2 　 ↘ : 667 2　　 → 当Stop.No==2, TravelTime介於[60,180],Weekend可能为True/False : 668 2 ↗ : ... : 1315 3 　 ↘ : 1316 3 　→ 当Stop.No==3,TravelTime介於[120,240],Weekend可能为True/False : 1317 3 　↗ : ... : 2017 : ========================================================================= : ※1　共2017笔资料 : ※2 Stop.No的资料为随机1~3, 上面表列仅为示意用 : 并非正好[ 第1~665笔的Stop.No==1, 第666~1314笔==2, 第1315~2017笔==3] : ========================================================================= : 我想做的事情是依照 Stop.No/Weekend 栏位进行分群, : 例： : 这2017笔资料中有322笔资料 Stop.No==1 且 Weekend=T , : 则将这322笔视为同一群,其余依此类推,故应可得到6群 : 这边参照之前板上前辈教导的方法将相同的 Stop.No 和 Weekend 取出作 group_by : 程式码架构如下(by dplyr)： : dt1 %>% : group_by( Stop.No, Weekend ) %>% : summarise( 对 group_by 出来的6群,作集群分析,详如下述 ) : ========================================================================= : summarise() 的内容： : 想把「上面 group_by 出来的结果(6群),每一群都再分成两群(gr1/gr2)并找出中心」, : 因此上网查了分群的方法,根据google,假设上述六群中的某群叫作 gr8, : 则可透过以下程式码将 gr8 分成两群,并求出 gr8 的群集中心 : kmeans.result = kmeans( gr8, 2) : gr8_result <- gr8[, centers := kmeans.result$centers[kmeans.result$cluster] ] : ========================================================================= : 我想做的事情: : 以本资料 dt1 为例, group_by 出来的 6群 应可透过kmeans求出 12个集群中心 : ( gr8 里面的 centers栏位 ) : 最後将 gr8 的 centers 栏位内容加回 dt1 对应的2017笔资料列後面 : 以上叙述满复杂的,若有叙述不清的地方欢迎提问,小弟将尽速补充 : 请求各位前辈们协助,先谢谢各位大大了 : : [程式范例]: : : [环境叙述]: : : : [关键字]: : : 上一篇发现做错，先删掉了 好读版：http://pastebin.com/MguuwYAi 建议直接看好读版 简单simulation一组资料，有五个变数，两个变数是group by的变数 另外三个是拿来分群的变数 最终的结果是把原始资料并上每个资料的cluster以及对应的center 计算时间的话，dplyr + tidyr 或是 data.table 都可以在0.1秒以内可以算完 20000个观察值 library(dplyr) library(tidyr) library(pipeR) # dplyr + tidyr ngrp <- 2L numSamples <- 200L DF <- data.frame(V1 = sample(1L:3L, numSamples, TRUE), V2 = sample(1L:2L, numSamples, TRUE), V3 = rnorm(numSamples), V4 = rnorm(numSamples), V5 = rnorm(numSamples)) DF %>>% group_by(V1, V2) %>>% summarise( oriData = list(data.frame(V3 = V3, V4 = V4, V5 = V5)), kmeansRes = list(kmeans(data.frame(V3_center = V3, V4_center = V4, V5_center = V5), ngrp))) %>% rowwise %>>% do(V1 = .$V1, V2 = .$V2, oriData = .$oriData, grps = .$kmeansRes$cluster, centers = as.data.frame(.$kmeansRes$centers[.$kmeansRes$cluster, ])) %>>% mutate(V1 = unlist(V1), V2 = unlist(V2)) %>>% unnest(grps, oriData, centers) # # A tibble: 200 × 9 # V1 V2 grps V3 V4 V5 V3_center V4_center V5_center # <int> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> # 1 1 1 1 1.11016253 0.02722608 0.3027893 -0.35019463 0.1903187 0.9848824 # 2 1 1 1 0.70820726 -2.19334026 0.3242983 -0.35019463 0.1903187 0.9848824 # 3 1 1 2 -0.33493165 -0.07425543 -0.6383053 -0.02633612 0.3241840 -1.0112687 # 4 1 1 2 -2.03926090 0.24728959 0.1302806 -0.02633612 0.3241840 -1.0112687 # 5 1 1 2 -0.04744358 0.20338375 -1.3591982 -0.02633612 0.3241840 -1.0112687 # 6 1 1 2 0.12768265 1.34077790 -1.4590170 -0.02633612 0.3241840 -1.0112687 # 7 1 1 2 1.08012650 1.95067610 1.3336783 -0.02633612 0.3241840 -1.0112687 # 8 1 1 2 0.85677265 0.46973309 -0.6577587 -0.02633612 0.3241840 -1.0112687 # 9 1 1 1 0.90455630 2.44301533 -1.0511750 -0.35019463 0.1903187 0.9848824 # 10 1 1 2 1.07202152 -0.05310248 -1.4048170 -0.02633612 0.3241840 -1.0112687 # # ... with 190 more rows # data.table library(data.table) ngrp <- 2L numSamples <- 200L DT <- data.table(V1 = sample(1L:3L, numSamples, TRUE), V2 = sample(1L:2L, numSamples, TRUE), V3 = rnorm(numSamples), V4 = rnorm(numSamples), V5 = rnorm(numSamples)) DT_kmeans <- DT[ , .( oriData = list(data.table(V3, V4, V5)), kmeansRes = list(kmeans(data.table(V3, V4, V5) %>>% setnames(paste0(names(.), "_center")), ngrp) %>>% {data.table(grp = .$cluster, .$centers[.$cluster, ])})), by = .(V1, V2)] cbind(DT_kmeans[ , .(V1, V2)][rep(1L:nrow(DT_kmeans), sapply(DT_kmeans$oriData, nrow)), ], rbindlist(DT_kmeans$oriData), rbindlist(DT_kmeans$kmeansRes)) # V1 V2 V3 V4 V5 grp V3_center V4_center V5_center # 1: 1 1 -1.5910524 2.1274208 -1.3464532 1 0.1155321 0.9482175 0.290026606 # 2: 1 1 0.3280774 -0.1150860 -1.2363502 2 -0.1138527 -1.1174780 -0.603929772 # 3: 1 1 -0.2026653 -0.9188654 0.4275579 2 -0.1138527 -1.1174780 -0.603929772 # 4: 1 1 -0.3258952 0.3159080 1.3667256 1 0.1155321 0.9482175 0.290026606 # 5: 1 1 -0.2819986 -1.2371227 0.6597289 2 -0.1138527 -1.1174780 -0.603929772 # --- # 196: 2 2 0.6875229 -1.4182973 -0.1774791 1 0.5244143 -0.4805122 0.084895890 # 197: 2 2 1.1732799 -0.7428654 -0.1777401 1 0.5244143 -0.4805122 0.084895890 # 198: 2 2 -1.1992074 -0.6165810 0.0421549 2 -0.8536335 0.6373769 -0.007181771 # 199: 2 2 -0.4136762 1.1002398 0.4306150 2 -0.8536335 0.6373769 -0.007181771 # 200: 2 2 -0.1929361 -0.7346460 -0.4713694 1 0.5244143 -0.4805122 0.084895890 -- R资料整理套件系列文： magrittr #1LhSWhpH (R_Language) https://goo.gl/72l1m9 data.table #1LhW7Tvj (R_Language) https://goo.gl/PZa6Ue dplyr(上.下) #1LhpJCfB,#1Lhw8b-s (R_Language) https://goo.gl/I5xX9b tidyr #1Liqls1R (R_Language) https://goo.gl/i7yzAz pipeR #1NXESRm5 (R_Language) https://goo.gl/zRUISx --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 36.232.184.141 ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/R_Language/M.1488727704.A.05E.html %>%是 magrittr提供的，非本来dplyr就有，原本dplyr要推%.%这个operator 结果magrittr作者做出来之後，Hadley就直接import magrittr的%>%了 只是%>%，我自己在实务上有遇到一些奇怪的问题，後来就都改用%>>%了 其实dplyr是包含了group_by, summarise, mutate, rowwise, do那些函数~~ unnest是在tidyr里面 先测试看看吧，因为你没直接给我资料全貌，我就只好自己生了~~ 就以简洁度来说，我觉得data.table写起来应该是最轻松的 只是不容易去想怎麽做，要想比较久Orz，而且後面那段copy V1,V2是参考unnest的做法 data.table做起来会需要比较多的技巧Orz，包含把kmeans结果整理成data.table... dplyr可能做法比较直观，但是需要掌握rowwise, do的用法才有办法 比较起来，两者都有利有弊，端看使用者喜欢哪一种 可以把原档放在某个免空，用csv提供，说明用节录即可 是九十组没错，所以我的example code是产生12组center 不过你说要并回原本的资料，我就一次做完了... 要求那12组centers就只能取distinct or unique的 V1, V2, grp, V3_center, V4_center, V5_center了 DT_kmeans 看懂就可以看懂cbind了 DT_kmeans 里面第一个部分： oriData = list(data.table(V3, V4, V5)) 其实是创一个栏位储存list of data.table => 用来存原始资料 因为有group by所以可以想像里面每一个data.table都会超过一个列 第二个部分： kmeansRes = list(kmeans(data.table(V3, V4, V5) %>>% setnames(paste0(names(.), "_center")), ngrp) %>>% {data.table(grp = .$cluster, .$centers[.$cluster, ])})) 逐步拆解pipe来看 kmeans(data.table(V3, V4, V5) %>>% setnames(paste0(names(.), "_center")), ngrp) 这部分就是放入一个data.table，并设定名字，去train kmeans，#cluster = ngrp 第二个pipe後面： {data.table(grp = .$cluster, .$centers[.$cluster, ])} pipe进来的东西是kmeans的结果，所以 grp是kmeans结果中的所在cluster，那後面.$centers[.$cluster, ]就是各群的center了 解析完DT_kmeans，接下来看回cbind，第一块： DT_kmeans[ , .(V1, V2)][rep(1L:nrow(DT_kmeans), sapply(DT_kmeans$oriData, nrow)), ] 第一个[]是取V1, V2栏，後面就是根据group by後各组资料的长度将V1,V2列做复制 所以最後第一块的长度会是原始资料的长度 第二三块就是把各组的原始资料、kmeans结果展开合并成一个data.table 最後再全部cbind起来就可以得到结果了 ※ 编辑: celestialgod (36.232.184.141), 03/08/2017 20:35:22