Самый быстрый способ изменить значения переменных в виде столбцов

У меня есть набор данных, содержащий около 3 миллионов строк и следующую структуру:

PatientID| Year | PrimaryConditionGroup
---------------------------------------
1        | Y1   | TRAUMA
1        | Y1   | PREGNANCY
2        | Y2   | SEIZURE
3        | Y1   | TRAUMA

Являясь довольно новым для R, у меня есть некоторые проблемы с поиском правильного пути для изменения данных в структуре, описанной ниже:

PatientID| Year | TRAUMA | PREGNANCY | SEIZURE
----------------------------------------------
1        | Y1   | 1      | 1         | 0
2        | Y2   | 0      | 0         | 1
3        | Y1   | 1      | 0         | 1

Мой вопрос: какой самый быстрый/самый элегантный способ создания data.frame, где значения PrimaryConditionGroup становятся столбцами, сгруппированными по PatientID и Year (подсчитывая количество вхождений)?

Ответ 1

Есть, вероятно, более лаконичные способы сделать это, но для чистой скорости трудно превзойти решение на основе data.table:

df <- read.table(text="PatientID Year  PrimaryConditionGroup
1         Y1    TRAUMA
1         Y1    PREGNANCY
2         Y2    SEIZURE
3         Y1    TRAUMA", header=T)

library(data.table)
dt <- data.table(df, key=c("PatientID", "Year"))

dt[ , list(TRAUMA =    sum(PrimaryConditionGroup=="TRAUMA"),
           PREGNANCY = sum(PrimaryConditionGroup=="PREGNANCY"),
           SEIZURE =   sum(PrimaryConditionGroup=="SEIZURE")),
   by = list(PatientID, Year)]

#      PatientID Year TRAUMA PREGNANCY SEIZURE
# [1,]         1   Y1      1         1       0
# [2,]         2   Y2      0         0       1
# [3,]         3   Y1      1         0       0

EDIT: aggregate() предоставляет базовое R-решение, которое может быть или не быть более идиоматичным. (Единственное усложнение заключается в том, что агрегат возвращает матрицу, а не data.frame, вторая строка ниже фиксирует это.)

out <- aggregate(PrimaryConditionGroup ~ PatientID + Year, data=df, FUN=table)
out <- cbind(out[1:2], data.frame(out[3][[1]]))

2nd EDIT Наконец, сжатое решение, использующее пакет reshape, доставит вас в одно и то же место.

library(reshape)
mdf <- melt(df, id=c("PatientID", "Year"))
cast(PatientID + Year ~ value, data=j, fun.aggregate=length)

Ответ 2

В версиях >=1.9.0 есть быстрые melt и dcast data.table специальные методы, реализованные на C. Здесь сравнение с другими отличными ответами на пост @Josh на 3-миллионные данные строки (просто исключая base: aggregate, поскольку это занимало довольно некоторое время).

Для получения дополнительной информации о записи новостей перейдите здесь.

Предполагаю, что у вас 1000 пациентов и всего 5 лет. Вы можете соответствующим образом отрегулировать переменные patients и year.

require(data.table) ## >= 1.9.0
require(reshape2)

set.seed(1L)
patients = 1000L
year = 5L
n = 3e6L
condn = c("TRAUMA", "PREGNANCY", "SEIZURE")

# dummy data
DT <- data.table(PatientID = sample(patients, n, TRUE),
                 Year = sample(year, n, TRUE), 
                 PrimaryConditionGroup = sample(condn, n, TRUE))

DT_dcast <- function(DT) {
    dcast.data.table(DT, PatientID ~ Year, fun.aggregate=length)
}

reshape2_dcast <- function(DT) {
    reshape2:::dcast(DT, PatientID ~ Year, fun.aggregate=length)
}

DT_raw <- function(DT) {
    DT[ , list(TRAUMA = sum(PrimaryConditionGroup=="TRAUMA"),
            PREGNANCY = sum(PrimaryConditionGroup=="PREGNANCY"),
              SEIZURE = sum(PrimaryConditionGroup=="SEIZURE")),
    by = list(PatientID, Year)]
}

# system.time(.) timed 3 times
#         Method Time_rep1 Time_rep2 Time_rep3
#       dcast_DT     0.393     0.399     0.396
#    reshape2_DT     3.784     3.457     3.605
#         DT_raw     0.647     0.680     0.657

dcast.data.table примерно на 1,6 раза быстрее, чем обычная агрегация с использованием data.table и 8,8x быстрее, чем reshape2:::dcast.