WedX - журнал о программировании и компьютерных науках

Expand.grid с неизвестным количеством столбцов

У меня есть следующий фрейм данных:

map_value   LDGroup    ComboNum  
1              1           1  
1              1           2  
1              1           3  
1              2           1  
1              2           2  
1              3           1  
1              3           2  

Я хочу найти все комбинации, выбирая по одной из каждой группы LD. Expand.grid, кажется, работает для этого, делая

expand.grid(df[df$LDGroup==1,3],df[df$LDGroup==2,3],df[df$LDGroup==3,3])

Моя проблема в том, что у меня есть около 500 значений map_values, для которых мне нужно это сделать, и я не знаю, какое количество LDGroups будет существовать для каждого map_value. Есть ли способ динамически предоставлять аргументы функции?

r
05.08.2018

Ответы:


1

Мы можем разделить 3-й столбец на «LDGroup» и применить expand.grid

out <- expand.grid(split(df$ComboNum, df$LDGroup))
names(out) <- paste0("Var", names(out))
05.08.2018
  • Это сработало, спасибо. Я уже вижу несколько других мест, где команда split будет полезна. 07.08.2018
  • @jgmayer Рад, что это сработало. Вы также можете проверить здесь 07.08.2018
  • Новые материалы

    Я хотел выучить язык программирования MVC4, но не мог выучить его раньше, потому что это выглядит сложно…
    Просто начните и учитесь самостоятельно Я хотел выучить язык программирования MVC4, но не мог выучить его раньше, потому что он кажется мне сложным, и я бросил его. Это в основном инструмент..

    Лицензии с открытым исходным кодом: руководство для разработчиков и создателей
    В динамичном мире разработки программного обеспечения открытый исходный код стал мощной парадигмой, способствующей сотрудничеству, инновациям и прогрессу, движимому сообществом. В основе..

    Объяснение документов 02: BERT
    BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка. Во время предварительного обучения модель обучается на неразмеченных данных с помощью..

    Как проанализировать работу вашего классификатора?
    Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..

    Работа с цепями Маркова, часть 4 (Машинное обучение)
    Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..

    Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
    Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..

    Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
    Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..


    Для любых предложений по сайту: [email protected]