Discussion :

[laurilo]

Bonjour à tous,

Toujours moi et mes problèmes je reviens en force

Aujourd'hui le problème du jour est: filtrer des vaches.

Je cherche à filtrer les données des veaux nés de la première gestation d'une vache.
Pour cela, je dispose du numéro du veau, du numéro de la vache et de sa date de naissance.

J'ai imaginé qu'il aurait fallu faire une fonction "subset". Sauf que comment on utilise un subset avec des dates ? (En sachant qu'il faudra du coup prendre le veau qui a la date de naissance la plus "ancienne").

Parce que si une vache a eu 5 veaux (par exemple) comment je fais pour ne garder que son premier veau ? Et donc faire ça pour chaque vache ? En sachant que je ne peux pas donner une année (du genre tous les veaux nés en 2010) parce qu'il peut y avoir des premiers veaux dans n'importe quelle année entre 2010 et 2015.

Merci d'avance

[Theta]

Il existe des classes pour gérer les dates, utilise les fonction as.Date ou as.POSIXct (si tu as des heures/minutes/secondes).
Exemple : as.Date("01/12/13",format="%d/%m/%y")

Ensuite pour trouver le premier veau, il y a plusieurs façon de faire.
Avec la fonction by par exemple :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
df=data.frame(mere=rep(letters[1:3],3),date=runif(9)) # Création d'un jeu de données bidon, avec un nombre aléatoire à la place des dates mais ça reviens au même
df
Reduce(rbind,by(df,df$mere,function(veaux){cbind(veaux,ordre=order(veaux$date))}))

[laurilo]

La fonction met énormément de temps à se faire (ça fait 2h qu'elle est lancée...) c'est normal ?

[Theta]

Tes données font quelle taille?
Les fonctions by (ou aggregate) ne sont pas très adaptées aux gros jeux de données (> 100 000 lignes).
Mais il existe des packages qui permettent d'indexer les colonnes des dataframes et améliorent considérablement les performances.

[laurilo]

Ah oui moi j'ai environ 200 000 données

Des infos sur ce package ? A moins que je laisse mon ordi allumé une semaine ?

[Theta]

Avec le package data.table :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
 
library(data.table)
df=data.table(mere=rep(1:100000,3),date=runif(300000))
df2=df[,list(date,ordre=rank(date)),by=mere]

C'est équivalent au code posté précédement, sauf que pour 300000 lignes ça ne prend que quelques secondes.

À noter que je m'étais trompé dans mon message précédent, il faut utiliser la fonction rank et non order (je les confond toujours).