Присвоение идентификатора группы с помощью ddply

Question

Довольно простой вопрос о производительности от R новичка. Я хотел бы присвоить идентификатор группы каждой строке в кадре данных уникальными комбинациями полей. Вот мой текущий подход:

> # An example data frame 
> df <- data.frame(name=c("Anne", "Bob", "Chris", "Dan", "Erin"), 
        st.num=c("101", "102", "105", "102", "150"), 
        st.name=c("Main", "Elm", "Park", "Elm", "Main")) 
> df 
    name st.num st.name 
1 Anne 101 Main 
2 Bob 102  Elm 
3 Chris 105 Park 
4 Dan 102  Elm 
5 Erin 150 Main 
> 
> # A function to generate a random string 
> getString <- function(size=10) return(paste(sample(c(0:9, LETTERS, letters), size, replace=TRUE), collapse='')) 
> 
> # Assign a random string for each unique street number + street name combination 
> df <- ddply(df, 
       c("st.num", "st.name"), 
       function(x) transform(x, household=getString())) 
> df 
    name st.num st.name household 
1 Anne 101 Main 1EZWm4BQel 
2 Bob 102  Elm xNaeuo50NS 
3 Dan 102  Elm xNaeuo50NS 
4 Chris 105 Park Ju1NZfWlva 
5 Erin 150 Main G2gKAMZ1cU 

В то время как это работает хорошо для кадров данных с относительно небольшим числом строк или небольшого числа групп, я бегу в проблемы производительности с большими наборами данных (> 100000 строк), которые имеют много уникальных групп.

Любые предложения по улучшению скорости выполнения этой задачи? Возможно, с экспериментальным идентификатором plyr.frame()? Или я все об этом ошибаюсь?

Заранее за вашу помощь.

Answer 1

Попробуйте использовать функцию id (также в plyr):

df$id <- id(df[c("st.num", "st.name")], drop = TRUE) 

Update:

id функция считается устаревшим, так как dplyr версии 0.5.0. Функция group_indices обеспечивает ту же функциональность.

Answer 2

Нужно ли, чтобы идентификатор был случайной 10-символьной строкой? Если нет, почему бы не просто вставить столбцы кадра данных. Если идентификаторы должны быть одинаковой длины в символах преобразования факторов в цифровой, а затем вставить их вместе:

df$ID <- paste(as.numeric(df$st.num), as.numeric(df$st.name), sep = "") 

Тогда, если вам действительно нужно иметь 10 идентификаторов символов, я бы генерировать только п число идентификаторов и переименовывать уровни ID с ними

df$ID <- as.factor(df$ID) 
n <- nlevels(df$ID) 

getID <- function(n, size=10){ 
    out <- {} 
    for(i in 1:n){ 
    out <- c(paste(sample(c(0:9, LETTERS, letters), size, replace=TRUE), collapse='')) 
    } 
    return(out) 
} 

newLevels <- getID(n = n) 

levels(df$ID) <- newLevels 

Кроме того, как в сторону, вам не нужно использовать function(x) с ddply таким образом с transform(). Этот код будет работать точно так же:

ddply(df, c("st.num", "st.name"), transform, household=getString())