在data.table R中使用lapply .SD

时间:2015-08-28 17:44:13

标签: r data.table

我对.SDby的使用不是很清楚。

例如,下面的代码段是否意味着:'将DT中的所有列更改为除AB以外的因素?'它还在data.table手册中说:“.SD是指每个组data.table的子集(不包括分组列)” - 所以列A和{{1 }} 被排除在外?

B

但是,我还读到,当你进行聚合时,DT = DT[ ,lapply(.SD, as.factor), by=.(A,B)] 就像在SQL中的'group by'一样。例如,如果我想在除bycolsum之外的所有列上求和(比如SQL中的A),我还会使用类似的东西吗?或者在这种情况下,下面的代码是否意味着在BA列中获取总和和值? (按照SQL中的B取总和和分组)

A,B

那么除了DT[,lapply(.SD,sum),by=.(A,B)] colsum之外,我如何对所有列进行简单的A

1 个答案:

答案 0 :(得分:52)

只是用一个例子说明上面的评论,让我们来看看

set.seed(10238)
# A and B are the "id" variables within which the
#   "data" variables C and D vary meaningfully
DT = data.table(A = rep(1:3, each = 5), B = rep(1:5, 3),
                C = sample(15), D = sample(15))
DT
#     A B  C  D
#  1: 1 1 14 11
#  2: 1 2  3  8
#  3: 1 3 15  1
#  4: 1 4  1 14
#  5: 1 5  5  9
#  6: 2 1  7 13
#  7: 2 2  2 12
#  8: 2 3  8  6
#  9: 2 4  9 15
# 10: 2 5  4  3
# 11: 3 1  6  5
# 12: 3 2 12 10
# 13: 3 3 10  4
# 14: 3 4 13  7
# 15: 3 5 11  2

比较以下内容:

#Sum all columns
DT[ , lapply(.SD, sum)]
#     A  B   C   D
# 1: 30 45 120 120

#Sum all columns EXCEPT A, grouping BY A
DT[ , lapply(.SD, sum), by = A]
#    A  B  C  D
# 1: 1 15 38 43
# 2: 2 15 30 49
# 3: 3 15 52 28

#Sum all columns EXCEPT A
DT[ , lapply(.SD, sum), .SDcols = !"A"]
#     B   C   D
# 1: 45 120 120

#Sum all columns EXCEPT A, grouping BY B
DT[ , lapply(.SD, sum), by = B, .SDcols = !"A"]
#    B  C  D
# 1: 1 27 29
# 2: 2 17 30
# 3: 3 33 11
# 4: 4 23 36
# 5: 5 20 14

一些注意事项:

  • 你说"以下代码片段...更改DT中的所有列..."

答案是,这对data.table非常重要。返回的对象是 new data.tableDT中的所有列都与运行代码之前完全相同。

  • 您提到要更改列类型

再次参考上述观点,请注意您的代码(DT[ , lapply(.SD, as.factor)])会返回 data.table,并且根本不会更改DT。使用data.frame中的base来完成此操作的一种方式(不正确的)是使用新data.table覆盖旧data.table你已经退回了,即DT = DT[ , lapply(.SD, as.factor)]

这很浪费,因为它涉及创建DT的副本,当DT很大时,它可以成为效率杀手。对此问题采用正确的data.table方法是使用`:=`按引用更新列,例如DT[ , names(DT) := lapply(.SD, as.factor)],这不会创建数据副本。有关详情,请参阅data.table's reference semantics vignette

  • 您提到将lapply(.SD, sum)的效率与colSums的效率进行比较。 sum内部优化了data.table(您可以注意到verbose = TRUE}中添加[]参数的输出是正确的;为了看到这一点,让我们提高你的DT并运行一个基准:

结果:

library(data.table)
set.seed(12039)
nn = 1e7; kk = seq(100L)
DT = as.data.table(replicate(26L, sample(kk, nn, TRUE)))
DT[ , LETTERS[1:2] := .(sample(100L, nn, TRUE), sample(100L, nn, TRUE))]

library(microbenchmark)
microbenchmark(times = 100L,
               colsums = colSums(DT[ , !c("A", "B"), with = FALSE]),
               lapplys = DT[ , lapply(.SD, sum), .SDcols = !c("A", "B")])
# Unit: milliseconds
#     expr       min        lq      mean    median        uq       max neval
#  colsums 1624.2622 2020.9064 2028.9546 2034.3191 2049.9902 2140.8962   100
#  lapplys  246.5824  250.3753  252.9603  252.1586  254.8297  266.1771   100