which.min 在数据框上的 sapply 内无法正常工作？

Question

任何人都可以解释在尝试使用 sapply 和 which.min 查找数据帧内满足条件的第一行时发现的这种奇怪行为吗？

数据帧是trApr；它按 customer_id（递增）排序，然后按交易访问日期（递增）排序。对于每个 customer_id，我们希望找到 trApr 中第一笔交易的行索引。 （每个 customer_id 的总体交易数量是可变的，这应该不重要。）

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 ...

代码上的其他注释：

• all_tr_cids 只是排序的唯一 customer_ids 列表：unique(trApr$customer_id ) )
• n:m 只是我在调试时用于获取一小部分数据帧的索引。但我想在整个 df 上执行 sapply

这是有问题的代码：

**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

sapply 返回的中间不规则对象如下（它是 int 列表的 10 个列表）。

如果 which.min 无法处理这种结构，它确实应该发出警告，而不是愉快地返回 1 的列表。

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

Answer 1

我认为您滥用了 which.min 函数。给定一个数值向量，它返回遇到的第一个最小值的索引，但在这里您给它一个逻辑向量 trApr$customer_id==cid，它被强制为数字为 0/1，因此遇到的第一个 FALSE 值是最小值。

有关 which.min 的更多详细信息，请参阅文档页面：http://stat.ethz.ch/R-manual/R-devel/library/base/html/which.min.html

Answer 2

这是您对 which.min() 的使用造成的错误。您正在提供一个逻辑向量（包含 TRUE 和 FALSE）。这显然不是数字数据，因此 R 将逻辑强制转换为数字，其中 FALSE 等于 0 且 TRUE 等于到1。因此，您实际上正在做：

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

因此，which.min() 返回绑定最小值的第一个，在本例中为第一个FALSE 遇到过。因此，您的示例中将返回所有 1 。对于显示的元素，匹配的客户 ID 不在比较对象的第一个元素中。

您想要这样的东西：

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

我们首先子集 trApr$customer_id 仅返回 customer_id 向量中与当前 cid< 匹配的那些元素/code> （使用 which()），然后询问从 which() 返回的信息的最小值。使用 with() 会更容易：

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

两者都假设 cid 可用/可访问；即您首先创建了它。