Question

我有一个很大的（1200万行）data.table，看起来像这样：

library(data.table)
set.seed(123)
dt <- data.table(id=rep(1:3, each=5),y=sample(letters[1:5],15,replace = T))
> dt
    id y
 1:  1 b
 2:  1 d
 3:  1 c
 4:  1 e
 5:  1 e
 6:  2 a
 7:  2 c
 8:  2 e
 9:  2 c
10:  2 c
11:  3 e
12:  3 c
13:  3 d
14:  3 c
15:  3 a

我想创建一个新的data.table，其中包含我的变量id（这将是此新data.table的唯一键）和其他5个二进制变量，每个变量对应于每个类别如果ID具有y的值，则1的值为y，否则为0。输出data.table应如下所示：

   id a b c d e
1:  1 0 1 1 1 1
2:  2 1 0 1 0 1
3:  3 1 0 1 1 1

我尝试在循环中执行此操作，但速度很慢，而且我也不知道如何以编程方式传递二进制变量名称，因为它们依赖于我尝试＆的变量。＃34;分裂＆＃34;

编辑：正如@mtoto指出的那样，已经提出了类似问题并已回答here，但解决方法是使用reshape2包。
我想知道是否有另一种（更快）的方法可以使用data.table中的:=运算符，因为我有一个庞大的数据集，我用这个工作了很多封装

EDIT2 ：@ Arun在我的数据上的帖子中的功能基准（约1,200万行，~3,500万个不同的ID和490个不同标签的{{1}变量（产生490个虚拟变量））：

Answer 1

data.table 使用data.table的内部结构有自己的dcast实现，应该很快。试一试：

dcast(dt, id ~ y, fun.aggregate = function(x) 1L, fill=0L)
#    id a b c d e
# 1:  1 0 1 1 1 1
# 2:  2 1 0 1 0 1
# 3:  3 1 0 1 1 1

想到另一种方法来通过预先分配和更新引用来处理这个问题（也许dcast的逻辑应该这样做以避免中间体）。

ans = data.table(id = unique(dt$id))[, unique(dt$y) := 0L][]

剩下的就是用1L填充现有的组合。

dt[, {set(ans, i=.GRP, j=unique(y), value=1L); NULL}, by=id]
ans
#    id b d c e a
# 1:  1 1 1 1 1 0
# 2:  2 0 0 1 1 1
# 3:  3 0 1 1 1 1

好的，我已经开始对OP的数据维度进行基准测试，大约有1000万行和10列。

require(data.table)
set.seed(45L)
y = apply(matrix(sample(letters, 10L*20L, TRUE), ncol=20L), 1L, paste, collapse="")
dt = data.table(id=sample(1e5,1e7,TRUE), y=sample(y,1e7,TRUE))

system.time(ans1 <- AnsFunction())   # 2.3s
system.time(ans2 <- dcastFunction()) # 2.2s
system.time(ans3 <- TableFunction()) # 6.2s

setcolorder(ans1, names(ans2))
setcolorder(ans3, names(ans2))
setorder(ans1, id)
setkey(ans2, NULL)
setorder(ans3, id)

identical(ans1, ans2) # TRUE
identical(ans1, ans3) # TRUE

其中，

AnsFunction <- function() {
    ans = data.table(id = unique(dt$id))[, unique(dt$y) := 0L][]
    dt[, {set(ans, i=.GRP, j=unique(y), value=1L); NULL}, by=id]
    ans
    # reorder columns outside
}

dcastFunction <- function() {
    # no need to load reshape2. data.table has its own dcast as well
    # no need for setDT
    df <- dcast(dt, id ~ y, fun.aggregate = function(x) 1L, fill=0L,value.var = "y")
}

TableFunction <- function() {
    # need to return integer results for identical results
    # fixed 1 -> 1L; as.numeric -> as.integer
    df <- as.data.frame.matrix(table(dt$id, dt$y))
    df[df > 1L] <- 1L
    df <- cbind(id = as.integer(row.names(df)), df)
    setDT(df)
}

Answer 2

对于小型数据集，表函数似乎更有效，但在大型数据集上，dcast似乎是最有效和最方便的选择。

TableFunction <- function(){
    df <- as.data.frame.matrix(table(dt$id, dt$y))
    df[df > 1] <- 1
    df <- cbind(id = as.numeric(row.names(df)), df)
    setDT(df)
}


AnsFunction <- function(){
    ans = data.table(id = unique(dt$id))[, unique(dt$y) := 0L][]
    dt[, {set(ans, i=id, j=unique(y), value=1L); NULL}, by=id]
}

dcastFunction <- function(){
    df <-dcast.data.table(dt, id ~ y, fun.aggregate = function(x) 1L, fill=0L,value.var = "y")

}

library(data.table)
library(microbenchmark)
set.seed(123)
N = 10000
dt <- data.table(id=rep(1:N, each=5),y=sample(letters[1 : 5], N*5, replace = T)) 


microbenchmark(
    "dcast" = dcastFunction(),
    "Table" = TableFunction(),
    "Ans"   = AnsFunction()
    )


 Unit: milliseconds
  expr       min        lq      mean    median        uq       max neval cld
 dcast  42.48367  45.39793  47.56898  46.83755  49.33388  60.72327   100  b 
 Table  28.32704  28.74579  29.14043  29.00010  29.23320  35.16723   100 a  
   Ans 120.80609 123.95895 127.35880 126.85018 130.12491 156.53289   100   c

> all(test1 == test2)
[1] TRUE
> all(test1 == test3)
[1] TRUE

y = apply(matrix(sample(letters, 10L*20L, TRUE), ncol=20L), 1L, paste, collapse="")
dt = data.table(id=sample(1e5,1e7,TRUE), y=sample(y,1e7,TRUE))

microbenchmark(
    "dcast" = dcastFunction(),
    "Table" = TableFunction(),
    "Ans"   = AnsFunction()
)
Unit: seconds
  expr      min       lq     mean   median       uq      max neval cld
 dcast 1.985969 2.064964 2.189764 2.216138 2.266959 2.643231   100 a  
 Table 5.022388 5.403263 5.605012 5.580228 5.830414 6.318729   100   c
   Ans 2.234636 2.414224 2.586727 2.599156 2.645717 2.982311   100  b

Answer 3

如果您已经知道行的范围（如您所知，示例中的行数不超过3行）并且您知道列可以从零数组开始并使用apply函数更新值在那个次要表中。

我的R有点生锈，但我认为应该有效。此外，传递给apply方法的函数可能包含根据需要添加必要行和列的条件。

我的R有点生锈，所以我现在写一下它有点试探性，但我认为这是做到这一点的方法。

如果你正在寻找更多即插即用的东西我找到了这个小小的blerb：

There are two sets of methods that are explained below:

gather() and spread() from the tidyr package. This is a newer interface to the reshape2 package.

melt() and dcast() from the reshape2 package.

There are a number of other methods which aren’t covered here, since they are not as easy to use:

The reshape() function, which is confusingly not part of the reshape2 package; it is part of the base install of R.

stack() and unstack()

从这里开始:: http://www.cookbook-r.com/Manipulating_data/Converting_data_between_wide_and_long_format/

如果我对R更精通，我会告诉你这些不同的方法如何处理从长列表到广泛列表的冲突。我正在谷歌上搜索＃34;用R＆＃34中的平面数据制作一张桌子。想出这个......

同时使用我的个人评论包装查看this与上述相同的网站：p

如何基于data.table中的分类变量以编程方式创建二进制列？

3 个答案: