Question

我正在尝试使用data.table为机器学习问题创建~1000个功能。我有两个由id链接的表。第一个表每行有一个唯一的id，我们称之为x。对于每个id，x，第二个表有多行。另外，我有三个其他列是因子类型变量。我还需要使用一堆其他数字列。我的目标是计算按x和其他因子变量分组的每个数字变量的最小值，最大值，平均值然后重新整形信息，使每行只有一个唯一的x id，为每个因子列组合创建一列使用关联的计算数字列。因为我有很多数字列，所以我也想这样做而不必硬编码列而没有循环，因为有很多数字列。

作为一个例子，我可以在基本结构中创建一个data.table：

set.seed(1234)
DT <- data.table(x=rep(c(1,2,3),each=8), 
        y1=c("A","B"), y2=c("C","D", "E"),y3=c("F","G"), v1=sample(1:100,12),
        v2=sample(1:100,12), v3=sample(1:100,12))
DT
    x y1 y2 y3 v1  v2 v3
 1: 1  A  C  F 12  29 22
 2: 1  B  D  G 62  92 81
 3: 1  A  E  F 60 100 52
 4: 1  B  C  G 61  82 89
 5: 1  A  D  F 83  28 80
 6: 1  B  E  G 97  26  5
 7: 1  A  C  F  1  18 43
 8: 1  B  D  G 22  22 25
 9: 2  A  E  F 99  30 29
10: 2  B  C  G 47  96 47
11: 2  A  D  F 63  15 17
12: 2  B  E  G 49   4 68
13: 2  A  C  F 12  29 22
14: 2  B  D  G 62  92 81
15: 2  A  E  F 60 100 52
16: 2  B  C  G 61  82 89
17: 3  A  D  F 83  28 80
18: 3  B  E  G 97  26  5
19: 3  A  C  F  1  18 43
20: 3  B  D  G 22  22 25
21: 3  A  E  F 99  30 29
22: 3  B  C  G 47  96 47
23: 3  A  D  F 63  15 17
24: 3  B  E  G 49   4 68
    x y1 y2 y3 v1  v2 v3

然后使用以下命令创建示例分组：

interim <- DT[,list(v1min=min(v1),
                v1max=max(v1),
                v1mean=mean(v1),
                v2min=min(v2),
                v2max=max(v2),
                v2mean=mean(v2),
                v3min=min(v3),
                v3max=max(v3),
                v3mean=mean(v3)),
                by=.(x,y1,y2,y3)]
interim

    x y1 y2 y3 v1min v1max v1mean v2min v2max v2mean v3min v3max v3mean
 1: 1  A  C  F     1    12    6.5    18    29   23.5    22    43   32.5
 2: 1  B  D  G    22    62   42.0    22    92   57.0    25    81   53.0
 3: 1  A  E  F    60    60   60.0   100   100  100.0    52    52   52.0
 4: 1  B  C  G    61    61   61.0    82    82   82.0    89    89   89.0
 5: 1  A  D  F    83    83   83.0    28    28   28.0    80    80   80.0
 6: 1  B  E  G    97    97   97.0    26    26   26.0     5     5    5.0
 7: 2  A  E  F    60    99   79.5    30   100   65.0    29    52   40.5
 8: 2  B  C  G    47    61   54.0    82    96   89.0    47    89   68.0
 9: 2  A  D  F    63    63   63.0    15    15   15.0    17    17   17.0
10: 2  B  E  G    49    49   49.0     4     4    4.0    68    68   68.0
11: 2  A  C  F    12    12   12.0    29    29   29.0    22    22   22.0
12: 2  B  D  G    62    62   62.0    92    92   92.0    81    81   81.0
13: 3  A  D  F    63    83   73.0    15    28   21.5    17    80   48.5
14: 3  B  E  G    49    97   73.0     4    26   15.0     5    68   36.5
15: 3  A  C  F     1     1    1.0    18    18   18.0    43    43   43.0
16: 3  B  D  G    22    22   22.0    22    22   22.0    25    25   25.0
17: 3  A  E  F    99    99   99.0    30    30   30.0    29    29   29.0
18: 3  B  C  G    47    47   47.0    96    96   96.0    47    47   47.0

理想的输出只有3行 - 每个独特的x（1,2,3）一行，后面有一些列（预计会有一些NA）：

x | A-C-F-v1min | A-C-F-v1max | A-C-F-v1mean | . . . | B-C-G-v3min | B-C-G-v3max | B-C-G-v3mean

Answer 1

这样做：

dcast(interim, x~y1+y2+y3, value.var = setdiff(names(interim), c('x', 'y1', 'y2', 'y3')))

我无法记住1.9.6中是否存在多个value.var，因此您可能需要获取最新的development version。

通过创建其他列

1 个答案: