R help es - May 2016 - Division entre el numero de ocurrencias parciales y totalesdentro de un DataFrame de manera eficiente

Hola:

Aplicaré lo que dices de usar data.table.

Sobre hacer for, etc. Ya lo he hecho, pero pensaba que usar dplyr haría la
tarea más rápida por estar este implementado en C (si no me equivoco).
Siempre que puedo utilizo estas funciones, porque codificas menos y van más
rápido. En este caso el problema es que no he encontrado la manera de hacer
lo que quiero con dplyr o similar. La idea era al final comparar
rendimientos...


Muchas gracias Javier! ;)

2016-05-12 23:59 GMT+02:00 Javier Marcuzzi <javier.ruben.marcuzzi en
gmail.com>
:
> Estimado Tomi Massó Jou
>
>
>
> Pienso en dos partes, la primera, para ser optimizado debería trabajar con
> vectores. En todo caso con for, if.
>
>
>
> Lo segundo que pienso, usted dice que va a tener muchos datos, ¿Qué pasa
> si en lugar de data.frame intenta con data.table?
>
>
>
> Javier Rubén Marcuzzi
>
>
>
> *De: *Toni Massó Jou <tmassojou en gmail.com>
> *Enviado: *jueves, 12 de mayo de 2016 18:50
> *Para: *r-help-es en r-project.org
> *Asunto: *[R-es] Division entre el numero de ocurrencias parciales y
> totalesdentro de un DataFrame de manera eficiente
>
>
>
> Hola:
>
>
>
> A ver si me podéis ayudar que estoy atascado...
>
>
>
> Necesito contar los subcasos de la columna 2 de un dataframe respecto a los
>
> casos de la columna 1.
>
>
>
> Es decir, tengo un data.frame
>
>
>
>
a<-c(rep(c('a','b','c','b','c'),3),'b')
>
> b<-c(rep(c('x','y','z','w'),4))
>
> c<-c(rep(c(1,1,0,0),4))
>
> df1<-data.frame(a,b,c,stringsAsFactors = FALSE)
>
>
>
>
>
> Y necesito contar los casos donde aparece "a" y "x" y
dividirlo por el
>
> total de filas con primera columna=a. ,
>
>
>
>
>
>
>
> df1:
>
> > df1
>
>    a b
>
> 1  a x
>
> 2  b y
>
> 3  c z
>
> 4  b w
>
> 5  c x
>
> 6  a y
>
> 7  b z
>
> 8  c w
>
> 9  b x
>
> 10 c y
>
> 11 a z
>
> 12 b w
>
> 13 c x
>
> 14 b y
>
> 15 c z
>
> 16 b w
>
>
>
> Si hago
>
> df2<-df1%>%group_by(a)%>%count(a,b,c)
>
> df3<-df1%>%group_by(a)%>%count(a)
>
>
>
> en el df2:
>
>        a     b     n
>
>    (chr) (chr) (int)
>
> 1      a     x     1
>
> 2      a     y     1
>
> 3      a     z     1
>
> 4      b     w     3
>
> 5      b     x     1
>
> 6      b     y     2
>
> 7      b     z     1
>
> 8      c     w     1
>
> 9      c     x     2
>
> 10     c     y     1
>
> 11     c     z     2
>
>
>
> Necesito transformarlo en:
>
>
>
>        a     b     n
>
>    (chr) (chr) (int)
>
> 1      a     x     1/3
>
> 2      a     y     1/3
>
> 3      a     z     1/3
>
> 4      b     w     3/7
>
> 5      b     x     1/7
>
> 6      b     y     2/7
>
> 7      b     z     1/7
>
> 8      c     w     1/6
>
> 9      c     x     2/6
>
> 10     c     y     1/6
>
> 11     c     z     2/6
>
>
>
>
>
> donde 1/3 es el número de filas con valor (a,x)/totalvalores a.
>
>
>
> En fin, no se si me explico.
>
>
>
> El problema que tengo es que voy a tener muchisimas filas con pocas
>
> repeticiones, y no consigo hacer algo minimamente eficiente (y ya no
>
> digamos elegante).
>
>
>
> Muchas gracias por vuestro tiempo!
>
>
>
> Att. Toni
>
>
>
>                 [[alternative HTML version deleted]]
>
>
>
> _______________________________________________
>
> R-help-es mailing list
>
> R-help-es en r-project.org
>
> https://stat.ethz.ch/mailman/listinfo/r-help-es
>
>
>
	[[alternative HTML version deleted]]

Hola,

Esta es otra alternativa, que si tu data.frame es grande puede verse
perjudicada tanto por el uso de "table" como por el de
"merge".

#-----------------------

a <-
c(rep(c('a','b','c','b','c'),3),'b')
b <- c(rep(c('x','y','z','w'),4))
c <- c(rep(c(1,1,0,0),4))
df <- data.frame(a,b,c,stringsAsFactors = FALSE)

df$ab <- paste(df$a, df$b, sep="_")

tab_ab <- as.data.frame(table(df$ab))
tab_a <- as.data.frame(table(df$a))

df_a <- merge(df, tab_a, by.x=1, by.y=1); names(df_a)[5] <- 'fr_a'
df_end <- merge(df_a, tab_ab, by.x=4, by.y=1); names(df_end)[6] <-
'fr_ab'

df_end$res <- (df_end$fr_ab / df_end$fr_a)
df_end <- df_end[, c(2,3,4,7)]
head(df_end)
#-----------------------

Que produce el resultado que querías...
> head(df_end)
  a b c       res
1 a x 1 0.3333333
2 a y 1 0.3333333
3 a z 0 0.3333333
4 b w 0 0.4285714



Saludos,
Carlos Ortega.
www.qualityexcellence.es

El 13 de mayo de 2016, 10:54, Toni Massó Jou <tmassojou en gmail.com>
escribió:
> Hola:
>
> Aplicaré lo que dices de usar data.table.
>
> Sobre hacer for, etc. Ya lo he hecho, pero pensaba que usar dplyr haría la
> tarea más rápida por estar este implementado en C (si no me equivoco).
> Siempre que puedo utilizo estas funciones, porque codificas menos y van más
> rápido. En este caso el problema es que no he encontrado la manera de hacer
> lo que quiero con dplyr o similar. La idea era al final comparar
> rendimientos...
>
>
> Muchas gracias Javier! ;)
>
> 2016-05-12 23:59 GMT+02:00 Javier Marcuzzi <
> javier.ruben.marcuzzi en gmail.com>
> :
>
> > Estimado Tomi Massó Jou
> >
> >
> >
> > Pienso en dos partes, la primera, para ser optimizado debería trabajar
> con
> > vectores. En todo caso con for, if.
> >
> >
> >
> > Lo segundo que pienso, usted dice que va a tener muchos datos, ¿Qué
pasa
> > si en lugar de data.frame intenta con data.table?
> >
> >
> >
> > Javier Rubén Marcuzzi
> >
> >
> >
> > *De: *Toni Massó Jou <tmassojou en gmail.com>
> > *Enviado: *jueves, 12 de mayo de 2016 18:50
> > *Para: *r-help-es en r-project.org
> > *Asunto: *[R-es] Division entre el numero de ocurrencias parciales y
> > totalesdentro de un DataFrame de manera eficiente
> >
> >
> >
> > Hola:
> >
> >
> >
> > A ver si me podéis ayudar que estoy atascado...
> >
> >
> >
> > Necesito contar los subcasos de la columna 2 de un dataframe respecto
a
> los
> >
> > casos de la columna 1.
> >
> >
> >
> > Es decir, tengo un data.frame
> >
> >
> >
> >
a<-c(rep(c('a','b','c','b','c'),3),'b')
> >
> > b<-c(rep(c('x','y','z','w'),4))
> >
> > c<-c(rep(c(1,1,0,0),4))
> >
> > df1<-data.frame(a,b,c,stringsAsFactors = FALSE)
> >
> >
> >
> >
> >
> > Y necesito contar los casos donde aparece "a" y
"x" y dividirlo por el
> >
> > total de filas con primera columna=a. ,
> >
> >
> >
> >
> >
> >
> >
> > df1:
> >
> > > df1
> >
> >    a b
> >
> > 1  a x
> >
> > 2  b y
> >
> > 3  c z
> >
> > 4  b w
> >
> > 5  c x
> >
> > 6  a y
> >
> > 7  b z
> >
> > 8  c w
> >
> > 9  b x
> >
> > 10 c y
> >
> > 11 a z
> >
> > 12 b w
> >
> > 13 c x
> >
> > 14 b y
> >
> > 15 c z
> >
> > 16 b w
> >
> >
> >
> > Si hago
> >
> > df2<-df1%>%group_by(a)%>%count(a,b,c)
> >
> > df3<-df1%>%group_by(a)%>%count(a)
> >
> >
> >
> > en el df2:
> >
> >        a     b     n
> >
> >    (chr) (chr) (int)
> >
> > 1      a     x     1
> >
> > 2      a     y     1
> >
> > 3      a     z     1
> >
> > 4      b     w     3
> >
> > 5      b     x     1
> >
> > 6      b     y     2
> >
> > 7      b     z     1
> >
> > 8      c     w     1
> >
> > 9      c     x     2
> >
> > 10     c     y     1
> >
> > 11     c     z     2
> >
> >
> >
> > Necesito transformarlo en:
> >
> >
> >
> >        a     b     n
> >
> >    (chr) (chr) (int)
> >
> > 1      a     x     1/3
> >
> > 2      a     y     1/3
> >
> > 3      a     z     1/3
> >
> > 4      b     w     3/7
> >
> > 5      b     x     1/7
> >
> > 6      b     y     2/7
> >
> > 7      b     z     1/7
> >
> > 8      c     w     1/6
> >
> > 9      c     x     2/6
> >
> > 10     c     y     1/6
> >
> > 11     c     z     2/6
> >
> >
> >
> >
> >
> > donde 1/3 es el número de filas con valor (a,x)/totalvalores a.
> >
> >
> >
> > En fin, no se si me explico.
> >
> >
> >
> > El problema que tengo es que voy a tener muchisimas filas con pocas
> >
> > repeticiones, y no consigo hacer algo minimamente eficiente (y ya no
> >
> > digamos elegante).
> >
> >
> >
> > Muchas gracias por vuestro tiempo!
> >
> >
> >
> > Att. Toni
> >
> >
> >
> >                 [[alternative HTML version deleted]]
> >
> >
> >
> > _______________________________________________
> >
> > R-help-es mailing list
> >
> > R-help-es en r-project.org
> >
> > https://stat.ethz.ch/mailman/listinfo/r-help-es
> >
> >
> >
>
>         [[alternative HTML version deleted]]
>
> _______________________________________________
> R-help-es mailing list
> R-help-es en r-project.org
> https://stat.ethz.ch/mailman/listinfo/r-help-es
>


-- 
Saludos,
Carlos Ortega
www.qualityexcellence.es

	[[alternative HTML version deleted]]

Hola,

Con data.table, para que ya no tengas problema de escalado...

#--------
library(data.table)
DT <- as.data.table(df)
DT[, ab := paste(DT$a, DT$b, sep ="_")]
DT[, fr_a := .N, by='a']
DT[, fr_ab := .N, by='ab']
DT[, res := (DT$fr_ab / DT$fr_a)]
DT[ ,c("ab", "fr_a", "fr_ab") := NULL]
#--------
> head(DT)
   a b c       res
1: a x 1 0.3333333
2: b y 1 0.2857143
3: c z 0 0.3333333
4: b w 0 0.4285714
5: c x 1 0.3333333
6: a y 1 0.3333333

Saludos,
Carlos Ortega
www.qualityexcellence.es

El 13 de mayo de 2016, 11:15, Carlos Ortega <cof en qualityexcellence.es>
escribió:
> Hola,
>
> Esta es otra alternativa, que si tu data.frame es grande puede verse
> perjudicada tanto por el uso de "table" como por el de
"merge".
>
> #-----------------------
>
> a <-
c(rep(c('a','b','c','b','c'),3),'b')
> b <- c(rep(c('x','y','z','w'),4))
> c <- c(rep(c(1,1,0,0),4))
> df <- data.frame(a,b,c,stringsAsFactors = FALSE)
>
> df$ab <- paste(df$a, df$b, sep="_")
>
> tab_ab <- as.data.frame(table(df$ab))
> tab_a <- as.data.frame(table(df$a))
>
> df_a <- merge(df, tab_a, by.x=1, by.y=1); names(df_a)[5] <-
'fr_a'
> df_end <- merge(df_a, tab_ab, by.x=4, by.y=1); names(df_end)[6] <-
'fr_ab'
>
> df_end$res <- (df_end$fr_ab / df_end$fr_a)
> df_end <- df_end[, c(2,3,4,7)]
> head(df_end)
> #-----------------------
>
> Que produce el resultado que querías...
> > head(df_end)
>   a b c       res
> 1 a x 1 0.3333333
> 2 a y 1 0.3333333
> 3 a z 0 0.3333333
> 4 b w 0 0.4285714
>
>
>
> Saludos,
> Carlos Ortega.
> www.qualityexcellence.es
>
> El 13 de mayo de 2016, 10:54, Toni Massó Jou <tmassojou en gmail.com>
> escribió:
>
>> Hola:
>>
>> Aplicaré lo que dices de usar data.table.
>>
>> Sobre hacer for, etc. Ya lo he hecho, pero pensaba que usar dplyr haría
la
>> tarea más rápida por estar este implementado en C (si no me equivoco).
>> Siempre que puedo utilizo estas funciones, porque codificas menos y van
>> más
>> rápido. En este caso el problema es que no he encontrado la manera de
>> hacer
>> lo que quiero con dplyr o similar. La idea era al final comparar
>> rendimientos...
>>
>>
>> Muchas gracias Javier! ;)
>>
>> 2016-05-12 23:59 GMT+02:00 Javier Marcuzzi <
>> javier.ruben.marcuzzi en gmail.com>
>> :
>>
>> > Estimado Tomi Massó Jou
>> >
>> >
>> >
>> > Pienso en dos partes, la primera, para ser optimizado debería
trabajar
>> con
>> > vectores. En todo caso con for, if.
>> >
>> >
>> >
>> > Lo segundo que pienso, usted dice que va a tener muchos datos,
¿Qué pasa
>> > si en lugar de data.frame intenta con data.table?
>> >
>> >
>> >
>> > Javier Rubén Marcuzzi
>> >
>> >
>> >
>> > *De: *Toni Massó Jou <tmassojou en gmail.com>
>> > *Enviado: *jueves, 12 de mayo de 2016 18:50
>> > *Para: *r-help-es en r-project.org
>> > *Asunto: *[R-es] Division entre el numero de ocurrencias parciales
y
>> > totalesdentro de un DataFrame de manera eficiente
>> >
>> >
>> >
>> > Hola:
>> >
>> >
>> >
>> > A ver si me podéis ayudar que estoy atascado...
>> >
>> >
>> >
>> > Necesito contar los subcasos de la columna 2 de un dataframe
respecto a
>> los
>> >
>> > casos de la columna 1.
>> >
>> >
>> >
>> > Es decir, tengo un data.frame
>> >
>> >
>> >
>> >
a<-c(rep(c('a','b','c','b','c'),3),'b')
>> >
>> > b<-c(rep(c('x','y','z','w'),4))
>> >
>> > c<-c(rep(c(1,1,0,0),4))
>> >
>> > df1<-data.frame(a,b,c,stringsAsFactors = FALSE)
>> >
>> >
>> >
>> >
>> >
>> > Y necesito contar los casos donde aparece "a" y
"x" y dividirlo por el
>> >
>> > total de filas con primera columna=a. ,
>> >
>> >
>> >
>> >
>> >
>> >
>> >
>> > df1:
>> >
>> > > df1
>> >
>> >    a b
>> >
>> > 1  a x
>> >
>> > 2  b y
>> >
>> > 3  c z
>> >
>> > 4  b w
>> >
>> > 5  c x
>> >
>> > 6  a y
>> >
>> > 7  b z
>> >
>> > 8  c w
>> >
>> > 9  b x
>> >
>> > 10 c y
>> >
>> > 11 a z
>> >
>> > 12 b w
>> >
>> > 13 c x
>> >
>> > 14 b y
>> >
>> > 15 c z
>> >
>> > 16 b w
>> >
>> >
>> >
>> > Si hago
>> >
>> > df2<-df1%>%group_by(a)%>%count(a,b,c)
>> >
>> > df3<-df1%>%group_by(a)%>%count(a)
>> >
>> >
>> >
>> > en el df2:
>> >
>> >        a     b     n
>> >
>> >    (chr) (chr) (int)
>> >
>> > 1      a     x     1
>> >
>> > 2      a     y     1
>> >
>> > 3      a     z     1
>> >
>> > 4      b     w     3
>> >
>> > 5      b     x     1
>> >
>> > 6      b     y     2
>> >
>> > 7      b     z     1
>> >
>> > 8      c     w     1
>> >
>> > 9      c     x     2
>> >
>> > 10     c     y     1
>> >
>> > 11     c     z     2
>> >
>> >
>> >
>> > Necesito transformarlo en:
>> >
>> >
>> >
>> >        a     b     n
>> >
>> >    (chr) (chr) (int)
>> >
>> > 1      a     x     1/3
>> >
>> > 2      a     y     1/3
>> >
>> > 3      a     z     1/3
>> >
>> > 4      b     w     3/7
>> >
>> > 5      b     x     1/7
>> >
>> > 6      b     y     2/7
>> >
>> > 7      b     z     1/7
>> >
>> > 8      c     w     1/6
>> >
>> > 9      c     x     2/6
>> >
>> > 10     c     y     1/6
>> >
>> > 11     c     z     2/6
>> >
>> >
>> >
>> >
>> >
>> > donde 1/3 es el número de filas con valor (a,x)/totalvalores a.
>> >
>> >
>> >
>> > En fin, no se si me explico.
>> >
>> >
>> >
>> > El problema que tengo es que voy a tener muchisimas filas con
pocas
>> >
>> > repeticiones, y no consigo hacer algo minimamente eficiente (y ya
no
>> >
>> > digamos elegante).
>> >
>> >
>> >
>> > Muchas gracias por vuestro tiempo!
>> >
>> >
>> >
>> > Att. Toni
>> >
>> >
>> >
>> >                 [[alternative HTML version deleted]]
>> >
>> >
>> >
>> > _______________________________________________
>> >
>> > R-help-es mailing list
>> >
>> > R-help-es en r-project.org
>> >
>> > https://stat.ethz.ch/mailman/listinfo/r-help-es
>> >
>> >
>> >
>>
>>         [[alternative HTML version deleted]]
>>
>> _______________________________________________
>> R-help-es mailing list
>> R-help-es en r-project.org
>> https://stat.ethz.ch/mailman/listinfo/r-help-es
>>
>
>
>
> --
> Saludos,
> Carlos Ortega
> www.qualityexcellence.es
>


-- 
Saludos,
Carlos Ortega
www.qualityexcellence.es

	[[alternative HTML version deleted]]