Группировка и преобразование двух столбцов в df в матрицу R

Question

Я хотел бы преобразовать следующий файл данных в матрицу, в которой подсчитывается число каждого идентификатора байковой станции, которое происходит в час.

 

> dim(test) 
[1] 80623  5 

head(test, n = 10) 
    bikeid end.station.id start.station.id diff.time hour 
1 16052   244    322  6544 14 
2 16052   284    432  3406 21 
3 16052   461    519  33416 3 
4 16052   228    519  26876 13 
5 16052    72    435  388 17 
6 16052   319    127  27702 11 
7 16052   282    2002  33882 4 
8 16052   524    2021  2525 10 
9 16052   387    351  2397 12 
10 16052   388    526  32507 13 

Выход должен выглядеть следующим образом.

 
> sample2 
    start.station.id 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 
1    72 44 1 42 22 9 33 39 47 12 30 39 52 43 45 40 62 9 35 24 43 65 59 58 34 
2    79 21 11 2 42 5 18 57 64 32 47 61 43 65 38 46 61 48 29 58 22 35 4 50 31 
3    82 19 44 7 52 14 19 3 30 25 60 33 60 48 54 25 24 42 62 13 51 23 43 54 7 
4    83 45 60 64 5 0 3 54 16 48 67 49 20 59 21 24 38 42 62 38 24 1 35 16 4 
5    116 27 62 64 44 55 65 23 13 36 0 62 54 61 6 16 7 58 41 29 1 34 58 35 67 
6    119 45 30 41 26 7 39 16 55 28 53 42 9 5 31 18 16 14 37 17 14 16 17 23 50 
7    120 3 2 7 53 21 33 31 48 19 50 35 47 8 17 30 9 49 4 48 28 52 9 57 55 
8    127 33 44 47 42 6 46 39 30 39 28 19 57 53 41 45 55 9 27 42 19 43 24 37 55 
9    137 53 11 60 1 66 37 16 5 2 58 0 46 33 0 60 54 25 66 65 40 36 47 58 40 
10    143 61 1 50 62 57 33 12 15 27 19 65 48 12 55 64 14 22 13 12 57 45 13 66 56 66 56 

мне посоветовали использовать формулу, аналогичную:

matrix <- test %>% 
    group_by(start.station.id, hour)%>% 
    summarise(sum = nrow) %>% 
    spread(hour, nrow) 

, но не знаете, как кодировать его правильно

Answer 1

Использование data.table:

library(data.table) #1.9.6+ 
setDT(test) 
dcast(test[ , .N, by = .(start.station.id, hour)], 
     start.station.id ~ hour, value.var = "N") 

В качестве альтернативы (медленнее , хотя более чистый):

dcast(test, start.station.id ~ hour, fun.aggregate = length, value.var = "hour") 

Тестирование на некоторые поддельные данные:

set.seed(10932) 
NN <- 1e6 
test <- data.table(start.station.id = sample(1000, NN, T), 
        hour = sample(24, NN, T)) 

library(microbenchmark) 

microbenchmark(times = 100L, 
       preagg = dcast(test[ , .N, by = .(start.station.id, hour)], 
           start.station.id ~ hour, value.var = "N"), 
       postagg = dcast(test, start.station.id ~ hour, 
           fun.aggregate = length, value.var = "hour")) 

Unit: milliseconds 
    expr  min  lq  mean median  uq  max neval 
    preagg 55.83240 59.88939 66.56289 61.37408 64.37049 166.8902 100 
postagg 91.16012 93.68588 101.17297 96.04823 101.20717 203.4270 100 

Причина первая быстрее в том, что операция test[ , .N, by = vars] была оптимизирована в data.table.