Question

我在R中有data table：

library(data.table)
set.seed(1234)
DT <- data.table(x=rep(c(1,2,3),each=4), y=c("A","B"), v=sample(1:100,12))
DT
      x y  v
 [1,] 1 A 12
 [2,] 1 B 62
 [3,] 1 A 60
 [4,] 1 B 61
 [5,] 2 A 83
 [6,] 2 B 97
 [7,] 2 A  1
 [8,] 2 B 22
 [9,] 3 A 99
[10,] 3 B 47
[11,] 3 A 63
[12,] 3 B 49

我可以通过data.table中的组轻松地对变量v求和：

out <- DT[,list(SUM=sum(v)),by=list(x,y)]
out
     x  y SUM
[1,] 1 A  72
[2,] 1 B 123
[3,] 2 A  84
[4,] 2 B 119
[5,] 3 A 162
[6,] 3 B  96

但是，我希望将组（y）作为列而不是行。我可以使用reshape：

完成此操作

out <- reshape(out,direction='wide',idvar='x', timevar='y')
out
     x SUM.A SUM.B
[1,] 1    72   123
[2,] 2    84   119
[3,] 3   162    96

聚合后是否有更有效的方法重塑数据？有没有办法使用data.table操作将这些操作组合成一个步骤？

Answer 1

data.table包实现了更快的melt/dcast函数（在C中）。它还具有额外的功能，允许熔化和铸造多列。请在Github上查看新的Efficient reshaping using data.tables。

data.table的融合/ dcast函数自v1.9.0开始提供，其功能包括：

在投射之前无需加载reshape2包。但如果您希望将其加载到其他操作中，请在加载data.table之前加载。

dcast也是S3通用。不再dcast.data.table()。只需使用dcast()。

melt：

能够熔化“list”类型的列。

获得variable.factor和value.factor，默认情况下分别为TRUE和FALSE，以便与reshape2兼容。这允许直接控制variable和value列的输出类型（作为因素与否）。

melt.data.table的{{1}}参数在内部进行了优化，可以在融化过程中直接删除NA，因此效率更高。

新：na.rm = TRUE可以接受melt的列表，列表中每个元素中指定的列将合并在一起。通过使用measure.vars可以进一步提高这一点。请参阅小插图或patterns()。

?melt：

接受多个dcast和多个fun.aggregate。请参阅小插图或value.var。

直接在公式中使用?dcast函数生成id列，有时需要唯一标识行。见？dcast。

旧基准：

rowid()：1000万行5列，61.3秒减少到1.2秒。

melt：100万行4列，192秒减少到3.6秒。

提醒科隆（2013年12月）演示幻灯片32：Why not submit a dcast pull request to reshape2?

Answer 2

此功能现已实现到data.table（从版本1.8.11开始），如上面Zach的回答所示。

我刚从Arun here on SO看到了这一大块代码。所以我猜有一个data.table解决方案。适用于这个问题：

library(data.table)
set.seed(1234)
DT <- data.table(x=rep(c(1,2,3),each=1e6), 
                  y=c("A","B"), 
                  v=sample(1:100,12))

out <- DT[,list(SUM=sum(v)),by=list(x,y)]
# edit (mnel) to avoid setNames which creates a copy
# when calling `names<-` inside the function
out[, as.list(setattr(SUM, 'names', y)), by=list(x)]
})
   x        A        B
1: 1 26499966 28166677
2: 2 26499978 28166673
3: 3 26500056 28166650

这给出了与DWin方法相同的结果：

tapply(DT$v,list(DT$x, DT$y), FUN=sum)
         A        B
1 26499966 28166677
2 26499978 28166673
3 26500056 28166650

此外，它很快：

system.time({ 
   out <- DT[,list(SUM=sum(v)),by=list(x,y)]
   out[, as.list(setattr(SUM, 'names', y)), by=list(x)]})
##  user  system elapsed 
## 0.64    0.05    0.70 
system.time(tapply(DT$v,list(DT$x, DT$y), FUN=sum))
## user  system elapsed 
## 7.23    0.16    7.39

<强>更新

因此，此解决方案也适用于非平衡数据集（即某些组合不存在），您必须先在数据表中输入这些数据集：

library(data.table)
set.seed(1234)
DT <- data.table(x=c(rep(c(1,2,3),each=4),3,4), y=c("A","B"), v=sample(1:100,14))

out <- DT[,list(SUM=sum(v)),by=list(x,y)]
setkey(out, x, y)

intDT <- expand.grid(unique(out[,x]), unique(out[,y]))
setnames(intDT, c("x", "y"))
out <- out[intDT]

out[, as.list(setattr(SUM, 'names', y)), by=list(x)]

<强>摘要

将评论与上述结合起来，这是一线解决方案：

DT[, sum(v), keyby = list(x,y)][CJ(unique(x), unique(y)), allow.cartesian = T][,
   setNames(as.list(V1), paste(y)), by = x]

将其修改为不仅仅是总和，例如：

也很容易

DT[, list(sum(v), mean(v)), keyby = list(x,y)][CJ(unique(x), unique(y)), allow.cartesian = T][,
   setNames(as.list(c(V1, V2)), c(paste0(y,".sum"), paste0(y,".mean"))), by = x]
#   x A.sum B.sum   A.mean B.mean
#1: 1    72   123 36.00000   61.5
#2: 2    84   119 42.00000   59.5
#3: 3   187    96 62.33333   48.0
#4: 4    NA    81       NA   81.0

Answer 3

Data.table对象继承自'data.frame'，因此您只需使用tapply：

> tapply(DT$v,list(DT$x, DT$y), FUN=sum)
   AA  BB
a  72 123
b  84 119
c 162  96

Answer 4

您可以使用dcast库中的reshape2。这是代码

# DUMMY DATA
library(data.table)
mydf = data.table(
  x = rep(1:3, each = 4),
  y = rep(c('A', 'B'), times = 2),
  v = rpois(12, 30)
)

# USE RESHAPE2
library(reshape2)
dcast(mydf, x ~ y, fun = sum, value_var = "v")

注意：tapply解决方案会更快。

正确/最快的方式来重塑data.table

4 个答案:

此功能现已实现到data.table（从版本1.8.11开始），如上面Zach的回答所示。