开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

在data.table中查找按2个因子分组的两个变量的变化

Requests to the ChatCompletions_Create Operation under Azure OpenAI API version 2024-02-15-preview have exceeded token rate limit of your current OpenAI S0 pricing tier. Please retry after 7 seconds. Please go here: https://aka.ms/oai/quotaincrease if you would like to further increase the default rate limit.

相关搜索:data.table -在R中过滤按ID分组的行 R中的嵌套和按变量分组两个以上序数变量中的排序因子删除刻面分组变量中没有数据的因子因子的伪数(在data.table中)在data.table中删除未使用的因子级别在data.table中应用按列分组的函数在data.table中按"n“个连续整数对变量进行分组在data.table中查找多个范围的重叠在ggplot2中按两个变量分组

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

R语言︱数据集分组、筛选(plit – apply – combine模式、dplyr、data.table)

大型数据集通常是高度结构化的，结构使得我们可以按不同的方式分组，有时候我们需要关注单个组的数据片断，有时需要聚合不同组内的信息，并相互比较。

03

R语言实现定性资料的秩和检验

定性资料比如等级，毒性，应答等，可以以具有分级的因子的形式表示，比如(+ ++， +++)，分别对应因子的1,2,3种水平，这样不同组样本只要看这些数据的等级的排列是否一致就可以判断这两个群体的分布是否有差异(秩和检验)。

02

R︱高效数据操作——data.table包（实战心得、dplyr对比、key灵活用法、数据合并）

由于业务中接触的数据量很大，于是不得不转战开始寻求数据操作的效率。于是，data.table这个包就可以很好的满足对大数据量的数据操作的需求。

04

R练习50题 - 第一期

从这期开始，大猫课堂将会推出一个新的系列：R练习50题，目的是使用50道练习题让大家掌握常用的数据操作，例如寻找每组最大的N个观测等。本练习题来源于Renkun (github.com/renkun-ken/r-data-practice) 在Github上的共享，我们认为它包括了绝大多数实践中会遇到的问题，特别具有代表性。只可惜Renkun并没有提供答案，所以我们在这里提供我们的版本。

04

「R」数据操作（三）：高效的data.table

data.table包提供了一个加强版的data.frame，它运行效率极高，而且能够处理适合内存的大数据集，它使用[]实现了一种自然地数据操作语法。使用下面命令进行安装：

02

R练习50题 - 第二期

今天我们继续做题，由于整个题目按照从易到难排列，所以今天的题目并不会很难。先看一下预览：

02

懒癌必备-dplyr和data.table让你的数据分析事半功倍

本文介绍了如何使用dplyr和data.table两个R包进行数据清洗、数据加工和数据分析，通过几个实际案例展示了dplyr和data.table的常用功能和高效操作。

07

栾生老师 || 线性混合效应模型教程

学习线性混合效应模型（Linear Mixed Effects Model，LMM）最好的方法，是一边学习理论，一边动手实践，这样印象最为深刻。本文参考了Bodo Winter博士的教程Linear models and linear mixed effects models in R教程1教程2的结构。

09

R语言学习笔记之——数据处理神器data.table

数据处理在数据分析流程中的地位相信大家都有目共睹，也是每一个数据从业者面临的最为繁重的工作任务。在实际应用场景下，虽然SQL（SQL类专业的etl语言）是数据处理的首选明星语言，性能佳、效率高、容易培养数据思维，但是SQL没法处理构建全流程的数据任务，之后仍然需要借助其他数据分析工具来对接更为深入的分析任务。 R语言作为专业的统计计算语言，数据处理是其一大特色功能，事实上每一个处理任务在R语言中都有着不止一套解决方案（这通常也是初学者在入门R语言时，感觉内容太多无从下手的原因），当然这些不同方案确实存在

08

「Workshop」第五期：使用data.table操作数据

使用c("<name of col1>", "<name of col2>")和.(col1, col2)效果一样

05

data.table包使用应该注意的一些细节

注意默认nThread=getDTthreads()，即使用所有能用的核心，但并不是核心用的越多越好，本人亲自测试的情况下，其实单核具有较强的性能，只有在数据大于3Gb的情况下，开启10核（我的机器全部核心30多核）效率才比一个核心更高，而默认使用全部的核心效率一直非常低。因此对于不是非常巨大的文件，建议设置为1，不要使用全部核心

01

10行代码搞定【滚动回归】

对于任意一天t，在[t - n, t]的区间内进行回归。如果数据一共有N天，那么就会得到N - n个数据点

02

笔记 | GWAS 操作流程4-4：LM模型+数值+因子协变量

GWAS分析时，无论是一般线性模型，还是广义线性模型，都要对协变量进行处理。数值类型的协变量（比如初生重数值协变量，PCA的值）直接加进去，因子协变量（比如不同的年份，不同的地点，场等）需要转化为虚拟变量。

01

R语言高级数据结构data.table

对于data.frame大家应该很熟悉，它可以存储不同数据类型的向量数据。今天给大家介绍一个升级版的data.frame，其不仅可以存储不同数据类型还可以进行多列的并行运算。包的安装我们就不再赘述了（install.packages(“data.table”)）。

03

R 语言中的汇总统计：如何批量计算不同因素不同水平的平均值

有很多初学者遇到的问题，写出来，更好的自我总结，正所谓：“学然后知不足，教然后知困”。以输出（写博客）倒逼输入（学习），被动学习, kill time，是一个不错的方法。

02

文本情感分析：特征提取（TFIDF指标）&随机森林模型实现

作者：Matt 自然语言处理实习生 http://blog.csdn.net/sinat__26917383/article/details/51302425 笔者寄语：本文大多内容来自未出版的《数据挖掘之道：基于R的实战之旅》的情感分析章节。本书中总结情感分析算法主要分为两种：词典型+监督算法型。监督算法型主要分别以下几个步骤：构建训练+测试集+特征提取（TFIDF指标）+算法模型+K层交叉验证。基于监督算法的情感分析存在着以下几个问题：（1）准确率而言，基于算法的方法还有待提高，而目前的算

04

「R」data.table 包功能特性学习

data.table包提供了一个加强版的data.frame。它运行效率极高，而且能够处理适合内存的大数据集。它通过[ ]实现了一种自然的数据操作语法。

01

笔记 GWAS 操作流程6-2：手动计算GWAS分析中的GLM和Logistic模型

表型数据如果只有一个，可以放在plink文件的ped数据的第六列，也可以单独拉出来：

03

R语言︱情感分析—基于监督算法R语言实现（二）

版权声明：博主原创文章，微信公众号：素质云笔记,转载请注明来源“素质云博客”，谢谢合作！！ https://blog.csdn.net/sinat_26917383/article/details/51302425

02

数据流编程教程：R语言与DataFrame

DataFrame DataFrame 是一个表格或者类似二维数组的结构，它的各行表示一个实例，各列表示一个变量。一. DataFrame数据流编程二. 数据读取 readr/httr/DBI 1

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭