正确/最快的方式来重塑data.table

我在R中有一个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,我想将组(y)作为列而不是行 . 我可以使用 reshape 完成此任务:

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操作将这些操作合并为一个步骤?

回答(4)

2 years ago

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,允许熔化和铸造多个色谱柱 . 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 之前加载它 .

  • dcast 也是S3泛型 . 不再 dcast.data.table() . 只需使用 dcast() .

  • melt

  • 能够在'list'类型的列上熔化 .

  • 获得 variable.factorvalue.factor ,默认情况下分别为 TRUEFALSE ,以便与 reshape2 兼容 . 这允许直接控制 variablevalue 列的输出类型(作为因素与否) .

  • melt.data.tablena.rm = TRUE 参数在内部进行了优化,可在熔化期间直接去除NA,因此效率更高 .

  • NEW: melt 可以接受 measure.vars 的列表,并且列表的每个元素中指定的列将组合在一起 . 通过使用 patterns() 进一步促进了这一点 . 请参见插图或 ?melt .

  • dcast

  • 接受多个 fun.aggregate 和多个 value.var . 请参见插图或 ?dcast .

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

  • 旧基准:

  • melt :1000万行5列,61.3秒减少到1.2秒 .

  • dcast :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?

2 years ago

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

它也很快:

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

UPDATE

因此,此解决方案也适用于非 balancer 数据集(即某些组合不存在),您必须首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)]

Summary

结合上述评论,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]

修改它也很容易,不仅仅是总和,例如:

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

2 years ago

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

2 years ago

您可以使用 reshape2 来自 reshape2 库 . 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 解决方案会快得多 .