Блог

Кто-нибудь может объяснить это странное поведение, обнаруженное при попытке использовать sapply и which.min для поиска первых строк внутри фрейма данных, удовлетворяющих условию?

Фрейм данных является trApr; он сортируется по customer_id (увеличивается), а затем по visit_date транзакции (увеличивается). Для каждого customer_id мы хотим найти индекс строки первой транзакции в trApr. (Общее количество транзакций для каждого customer_id варьируется, это не должно иметь значения.)

 trApr is 'data.frame':  2195716 obs. of  3 variables:
 $ customer_id: int  2 2 2 2 2 2 2 2 2 2 ...
 $ visit_date : Date, format: "2011-04-02" "2011-04-06" "2011-04-07" "2011-04-08" ...
 $ visit_spend: num  37.12 32.51 4.55 31.35 42.49 ...
  

Другие примечания по коду:

• all_tr_cids это просто список отсортированных уникальных идентификаторов клиентов: unique(trApr$customer_id) )
• n: m — это просто индексы, которые я использовал для получения крошечного фрагмента фрейма данных во время отладки. Но я хочу сделать sapply для всего d.f.

Вот код, о котором идет речь:

 **GOOD:** I <- sapply(all_tr_cids[n:m], function(cid){ head(which(trApr$customer_id==cid),n=1) }, USE.NAMES=FALSE)
 [1] 1909 1928 1964 1970 1988 2037 2092 2113 2140 2182

**BAD:** I <- sapply(all_tr_cids[n:m], function(cid){ which.min(trApr$customer_id==cid) }, USE.NAMES=FALSE)
 [1] 1 1 1 1 1 1 1 1 1 1
  

Ниже приведен промежуточный неровный объект, возвращаемый sapply (это 10 списков из списка int ).

Если which.min не может обработать такого рода структуру, он действительно должен выдавать предупреждение, а не весело возвращать список единиц.

 sapply(all_tr_cids[n:m], function(cid){ which(trApr$customer_id==cid) }, USE.NAMES=FALSE)
[[1]]
 [1] 1909 1910 1911 1912 1913 1914 1915 1916 1917 1918 1919 1920 1921 1922 1923 1924 1925 1926 1927

[[2]]
 [1] 1928 1929 1930 1931 1932 1933 1934 1935 1936 1937 1938 1939 1940 1941 1942 1943 1944 1945 1946 1947 1948 1949 1950 1951 1952 1953 1954 1955 1956 1957
[31] 1958 1959 1960 1961 1962 1963

[[3]]
[1] 1964 1965 1966 1967 1968 1969

[[4]]
 [1] 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987

[[5]]
 [1] 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
[31] 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 2036

[[6]]
 [1] 2037 2038 2039 2040 2041 2042 2043 2044 2045 2046 2047 2048 2049 2050 2051 2052 2053 2054 2055 2056 2057 2058 2059 2060 2061 2062 2063 2064 2065 2066
[31] 2067 2068 2069 2070 2071 2072 2073 2074 2075 2076 2077 2078 2079 2080 2081 2082 2083 2084 2085 2086 2087 2088 2089 2090 2091

[[7]]
 [1] 2092 2093 2094 2095 2096 2097 2098 2099 2100 2101 2102 2103 2104 2105 2106 2107 2108 2109 2110 2111 2112

[[8]]
 [1] 2113 2114 2115 2116 2117 2118 2119 2120 2121 2122 2123 2124 2125 2126 2127 2128 2129 2130 2131 2132 2133 2134 2135 2136 2137 2138 2139

[[9]]
 [1] 2140 2141 2142 2143 2144 2145 2146 2147 2148 2149 2150 2151 2152 2153 2154 2155 2156 2157 2158 2159 2160 2161 2162 2163 2164 2165 2166 2167 2168 2169
[31] 2170 2171 2172 2173 2174 2175 2176 2177 2178 2179 2180 2181

[[10]]
 [1] 2182 2183 2184 2185 2186 2187 2188 2189 2190 2191 2192 2193 2194 2195 2196 2197 2198 2199 2200 2201 2202 2203 2204 2205 2206 2207 2208 2209 2210
  

Я думаю, вы неправильно используете which.min функцию. Учитывая вектор числовых значений, он возвращает индекс первого встреченного минимума, но здесь вы даете ему логический вектор trApr$customer_id==cid , который приводится к числовому значению как 0/1, поэтому первое встреченное FALSE значение является минимальным.

Смотрите страницу документа для получения дополнительной информации о which.min : http://stat.ethz.ch/R-manual/R-devel/library/base/html/which.min.html

Виновато ваше использование which.min() . Вы предоставляете логический вектор (содержащий TRUE и FALSE ). Очевидно, что это не числовые данные, поэтому R преобразует логические значения в числовые с FALSE равными 0 и TRUE равными 1 . Таким образом, вы фактически выполняете:

 R> which.min(c(TRUE,FALSE,FALSE,FALSE,FALSE))
[1] 2
R> which.min(c(FALSE,TRUE,FALSE,FALSE,FALSE,FALSE))
[1] 1
  

Таким образом, which.min() возвращает первое из связанных минимальных значений, в данном случае первое FALSE встречающееся. Следовательно, все 1 s возвращаются в вашем примере. Для показанных элементов соответствующий идентификатор клиента отсутствовал в первом элементе сравниваемого объекта.

Вы хотите что-то вроде:

 which.min(which(trApr$customer_id[trApr$customer_id==cid]))
  

сначала мы подмножество trApr$customer_id возвращаем только те элементы customer_id вектора, которые соответствуют текущему cid (используя which() ), а затем запрашиваем минимум информации, возвращаемой из which() . Это было бы проще с with() :

 with(trpApr, which.min(which(customer_id[customer_id == cid]))
  

Оба из которых предполагают, что cid доступно; т. е. вы; создали его первым.