RでSQLの「partitionby」をエミュレートする方法は？
RデータフレームでOracleROW_NUMBER（）、RANK（）、またはDENSE_RANK（）関数（ http://www.orafaq.com/node/55 を参照）などの分析関数を実行するにはどうすればよいですか。 ？ CRANパッケージの「plyr」は非常に近いですが、それでも異なります。
各機能の機能は、アドホックな方法で実現できる可能性があることに同意します。しかし、私の主な関心事はパフォーマンスです。メモリと速度のために、結合またはインデックスアクセスの使用を避けることをお勧めします。
_data.table_パッケージは、特にバージョン1.8.1以降、SQL用語でパーティションの機能の多くを提供します。 Rのrank(x, ties.method = "min")はOracleRANK()に似ており、ファクター（以下で説明）を使用してDENSE_RANK()関数を模倣する方法があります。 _ROW_NUMBER_を模倣する方法は、最後には明らかなはずです。
次に例を示します。R-Forgeから最新バージョンの_data.table_をロードします。
_install.packages("data.table",
repos= c("http://R-Forge.R-project.org", getOption("repos")))
library(data.table)
_いくつかのサンプルデータを作成します。
_set.seed(10)
DT<-data.table(ID=seq_len(4*3),group=rep(1:4,each=3),value=rnorm(4*3),
info=c(sample(c("a","b"),4*2,replace=TRUE),
sample(c("c","d"),4,replace=TRUE)),key="ID")
> DT
ID group value info
1: 1 1 0.01874617 a
2: 2 1 -0.18425254 b
3: 3 1 -1.37133055 b
4: 4 2 -0.59916772 a
5: 5 2 0.29454513 b
6: 6 2 0.38979430 a
7: 7 3 -1.20807618 b
8: 8 3 -0.36367602 a
9: 9 3 -1.62667268 c
10: 10 4 -0.25647839 d
11: 11 4 1.10177950 c
12: 12 4 0.75578151 d
_ID内でvalueを減らすことにより、各groupをランク付けします（降順を示すためにvalueの前の_-_に注意してください）：
_> DT[,valRank:=rank(-value),by="group"]
ID group value info valRank
1: 1 1 0.01874617 a 1
2: 2 1 -0.18425254 b 2
3: 3 1 -1.37133055 b 3
4: 4 2 -0.59916772 a 3
5: 5 2 0.29454513 b 2
6: 6 2 0.38979430 a 1
7: 7 3 -1.20807618 b 2
8: 8 3 -0.36367602 a 1
9: 9 3 -1.62667268 c 3
10: 10 4 -0.25647839 d 3
11: 11 4 1.10177950 c 1
12: 12 4 0.75578151 d 2
_ランク付けされている値が同数のDENSE_RANK()の場合、値を係数に変換してから、基になる整数値を返すことができます。たとえば、ID内のinfoに基づいて各groupをランク付けします（infoRankとinfoRankDenseを比較してください）。
_DT[,infoRank:=rank(info,ties.method="min"),by="group"]
DT[,infoRankDense:=as.integer(factor(info)),by="group"]
R> DT
ID group value info valRank infoRank infoRankDense
1: 1 1 0.01874617 a 1 1 1
2: 2 1 -0.18425254 b 2 2 2
3: 3 1 -1.37133055 b 3 2 2
4: 4 2 -0.59916772 a 3 1 1
5: 5 2 0.29454513 b 2 3 2
6: 6 2 0.38979430 a 1 1 1
7: 7 3 -1.20807618 b 2 2 2
8: 8 3 -0.36367602 a 1 1 1
9: 9 3 -1.62667268 c 3 3 3
10: 10 4 -0.25647839 d 3 2 2
11: 11 4 1.10177950 c 1 1 1
12: 12 4 0.75578151 d 2 2 2
_p.s.こんにちはマシューダウル。
LEADおよびLAG
LEADとLAGを模倣するには、提供された答えから始めます ここ 。グループ内のIDの順序に基づいてランク変数を作成します。上記のような偽のデータではこれは必要ありませんが、IDがグループ内で順番に並んでいない場合、これは生活を少し難しくします。したがって、非シーケンシャルIDを持ついくつかの新しい偽のデータがあります。
_set.seed(10)
DT<-data.table(ID=sample(seq_len(4*3)),group=rep(1:4,each=3),value=rnorm(4*3),
info=c(sample(c("a","b"),4*2,replace=TRUE),
sample(c("c","d"),4,replace=TRUE)),key="ID")
DT[,idRank:=rank(ID),by="group"]
setkey(DT,group, idRank)
> DT
ID group value info idRank
1: 4 1 -0.36367602 b 1
2: 5 1 -1.62667268 b 2
3: 7 1 -1.20807618 b 3
4: 1 2 1.10177950 a 1
5: 2 2 0.75578151 a 2
6: 12 2 -0.25647839 b 3
7: 3 3 0.74139013 c 1
8: 6 3 0.98744470 b 2
9: 9 3 -0.23823356 a 3
10: 8 4 -0.19515038 c 1
11: 10 4 0.08934727 c 2
12: 11 4 -0.95494386 c 3
_次に、前の1レコードの値を取得するには、group変数とidRank変数を使用し、idRankから_1_を減算し、_multi = 'last'_を使用します。引数。上記の2つのエントリのレコードから値を取得するには、_2_を減算します。
_DT[,prev:=DT[J(group,idRank-1), value, mult='last']]
DT[,prev2:=DT[J(group,idRank-2), value, mult='last']]
ID group value info idRank prev prev2
1: 4 1 -0.36367602 b 1 NA NA
2: 5 1 -1.62667268 b 2 -0.36367602 NA
3: 7 1 -1.20807618 b 3 -1.62667268 -0.3636760
4: 1 2 1.10177950 a 1 NA NA
5: 2 2 0.75578151 a 2 1.10177950 NA
6: 12 2 -0.25647839 b 3 0.75578151 1.1017795
7: 3 3 0.74139013 c 1 NA NA
8: 6 3 0.98744470 b 2 0.74139013 NA
9: 9 3 -0.23823356 a 3 0.98744470 0.7413901
10: 8 4 -0.19515038 c 1 NA NA
11: 10 4 0.08934727 c 2 -0.19515038 NA
12: 11 4 -0.95494386 c 3 0.08934727 -0.1951504
_LEADの場合、適切なオフセットをidRank変数に追加し、_multi = 'first'_に切り替えます。
_DT[,nex:=DT[J(group,idRank+1), value, mult='first']]
DT[,nex2:=DT[J(group,idRank+2), value, mult='first']]
ID group value info idRank prev prev2 nex nex2
1: 4 1 -0.36367602 b 1 NA NA -1.62667268 -1.2080762
2: 5 1 -1.62667268 b 2 -0.36367602 NA -1.20807618 NA
3: 7 1 -1.20807618 b 3 -1.62667268 -0.3636760 NA NA
4: 1 2 1.10177950 a 1 NA NA 0.75578151 -0.2564784
5: 2 2 0.75578151 a 2 1.10177950 NA -0.25647839 NA
6: 12 2 -0.25647839 b 3 0.75578151 1.1017795 NA NA
7: 3 3 0.74139013 c 1 NA NA 0.98744470 -0.2382336
8: 6 3 0.98744470 b 2 0.74139013 NA -0.23823356 NA
9: 9 3 -0.23823356 a 3 0.98744470 0.7413901 NA NA
10: 8 4 -0.19515038 c 1 NA NA 0.08934727 -0.9549439
11: 10 4 0.08934727 c 2 -0.19515038 NA -0.95494386 NA
12: 11 4 -0.95494386 c 3 0.08934727 -0.1951504 NA NA
__data.table v1.9.5+_から、関数frank()（forfastrank）が実装されました。 frank()はインタラクティブなシナリオで役立ちますが、frankv()では簡単にプログラミングできます。
_base::rank_で使用可能なすべての操作を実装します。さらに、利点は次のとおりです。
frank()はlist、data.framesおよびdata.tables原子ベクトルに加えて。列ごとに、rankを昇順または降順のどちらで計算するかを指定できます。
また、
denseの他のタイプに加えて、ランクタイプbaseも実装します。文字列で_
-_を使用して、降順でランク付けすることもできます。
これは、@ BenBarnesの（優れた）投稿からの同じdata.tableDTを使用した上記のすべてのポイントの図です。
データ：
_require(data.table)
set.seed(10)
sample_n <- function(x, n) sample(x, n, replace=TRUE)
DT <- data.table(
ID = seq_len(4*3),
group = rep(1:4,each=3),
value = rnorm(4*3),
info = c(sample_n(letters[1:2], 8), sample_n(letters[3:4], 4)))
_単一列の場合：
denseランクを計算します：_
DT[, rank := frank(value, ties.method="dense"), by=group]_
他のメソッドmin、max、random、average、およびfirstを使用することもできます。
降順：
_
DT[, rank := frank(-value, ties.method="dense"), by=group]_frankvと同様に、frankを使用します。_
# increasing order frankv(DT, "value", ties.method="dense") # decreasing order frankv(DT, "value", order=-1L, ties.method="dense")_
複数の列
_.SD_を使用できます。これは、データのサブセットを表し、thatグループに対応するデータを含みます。 _.SD_の詳細については、 data.table HTMLビネットの概要 を参照してください。
groupでグループ化しながら、_info, value_列でランク付けします。_
DT[, rank := frank(.SD, info, value, ties.method="dense"), by=group]__
-_を使用して、降順を指定します。_
DT[, rank := frank(.SD, info, -value, ties.method="dense"), by=group]_文字列で直接_
-_を使用することもできます_
DT[, rank := frank(.SD, -info, -value, ties.method="dense"), by=group]_
同様にfrankvを使用して、列をcols引数に指定し、列をorder引数を使用してランク付けする順序を指定できます。
_base::rank_と比較するための小さなベンチマーク：
_set.seed(45L)
x = sample(1e4, 1e7, TRUE)
system.time(ans1 <- base::rank(x, ties.method="first"))
# user system elapsed
# 22.200 0.255 22.536
system.time(ans2 <- frank(x, ties.method="first"))
# user system elapsed
# 0.745 0.014 0.762
identical(ans1, ans2) # [1] TRUE
_私は次の人と同じくらいdata.tableが好きですが、必ずしも必要というわけではありません。 data.tableは常に高速ですが、groupsの数がかなり少ない場合は、適度に大きなデータセットでも- plyrは引き続き適切に実行されます。
data.tablesを使用してBenBarnesが行ったことは、plyrを使用して同じようにコンパクトに実行できます（ただし、前に述べたように、多くの場合、おそらく遅くなります）。
library(plyr)
ddply(DT,.(group),transform,valRank = rank(-value))
ddply(DT,.(group),transform,valRank = rank(info,ties.method = "min"),
valRankDense = as.integer(factor(info)))
また、追加のパッケージを1つもロードしなくても、次のようになります。
do.call(rbind,by(DT,DT$group,transform,valRank = rank(-value)))
do.call(rbind,by(DT,DT$group,transform,valRank = rank(info,ties.method = "min"),
valRankDense = as.integer(factor(info))))
ただし、その最後のケースでは、構文上の優れた点のいくつかが失われます。