Во время экспериментов с aggregate для другого вопроса здесь я столкнулся с довольно странным результатом. Я не могу понять, почему и интересно, что то, что я делаю, совершенно неверно.
Предположим, что у меня есть data.frame:
df <- structure(list(V1 = c(1L, 2L, 1L, 2L, 3L, 1L),
V2 = c(2L, 3L, 2L, 3L, 4L, 2L),
V3 = c(3L, 4L, 3L, 4L, 5L, 3L),
V4 = c(4L, 5L, 4L, 5L, 6L, 4L)),
.Names = c("V1", "V2", "V3", "V4"),
row.names = c(NA, -6L), class = "data.frame")
> df
# V1 V2 V3 V4
# 1 1 2 3 4
# 2 2 3 4 5
# 3 1 2 3 4
# 4 2 3 4 5
# 5 3 4 5 6
# 6 1 2 3 4
Теперь, если я хочу вывести data.frame с уникальными строками с дополнительным столбцом, указывающим их частоту в df. Для этого примера
# V1 V2 V3 V4 x
# 1 1 2 3 4 3
# 2 2 3 4 5 2
# 3 3 4 5 6 1
Я получил этот результат, используя aggregate, поэкспериментируя следующим образом:
> aggregate(do.call(paste, df), by=df, print)
# [1] "1 2 3 4" "1 2 3 4" "1 2 3 4"
# [1] "2 3 4 5" "2 3 4 5"
# [1] "3 4 5 6"
# V1 V2 V3 V4 x
# 1 1 2 3 4 1 2 3 4, 1 2 3 4, 1 2 3 4
# 2 2 3 4 5 2 3 4 5, 2 3 4 5
# 3 3 4 5 6 3 4 5 6
Итак, это дало мне вставную строку. Итак, если бы я использовал length вместо print, он должен дать мне количество таких вхождений, что является желаемым результатом, который был в этом случае (как показано ниже).
> aggregate(do.call(paste, df), by=df, length)
# V1 V2 V3 V4 x
# 1 1 2 3 4 3
# 2 2 3 4 5 2
# 3 3 4 5 6 1
И это, казалось, сработало. Однако, когда размеры data.frame составляют 4 * 2500, выход data.frame равен 1 * 2501 вместо 4 * 2501 (все строки уникальны, поэтому частота равна 1).
> df <- as.data.frame(matrix(sample(1:3, 1e4, replace = TRUE), nrow=4))
> o <- aggregate(do.call(paste, df), by=df, length)
> dim(o)
# [1] 1 2501
Я тестировал с меньшими кадрами data.frames только с уникальными строками, и он дает правильный вывод (например, изменение nrow=40). Однако, когда размеры матрицы увеличиваются, это, похоже, не работает. И я просто не могу понять, что происходит не так! Любые идеи?