在 `data.table` 中使用动态列名

Question

我想计算 data.table 中几列中每一列的平均值，并按另一列分组。我的问题与其他两个关于 SO（one 和 two）的问题类似，但我无法将这些问题应用于我的问题。

这是一个例子：

library(data.table)
dtb <- fread(input = "condition,var1,var2,var3
      one,100,1000,10000
      one,101,1001,10001
      one,102,1002,10002
      two,103,1003,10003
      two,104,1004,10004
      two,105,1005,10005
      three,106,1006,10006
      three,107,1007,10007
      three,108,1008,10008
      four,109,1009,10009
      four,110,1010,10010")

dtb
#    condition var1 var2  var3
# 1:       one  100 1000 10000
# 2:       one  101 1001 10001
# 3:       one  102 1002 10002
# 4:       two  103 1003 10003
# 5:       two  104 1004 10004
# 6:       two  105 1005 10005
# 7:     three  106 1006 10006
# 8:     three  107 1007 10007
# 9:     three  108 1008 10008
# 10:     four  109 1009 10009
# 11:     four  110 1010 10010

每个单一平均值的计算很容易；例如对于“var1”：dtb[ , mean(var1), by = condition]。但是如果有很多变量并且您需要编写所有变量，这很快就会变得很麻烦。因此，dtb[, list(mean(var1), mean(var2), mean(var3)), by = condition] 是不可取的。我需要动态的列名，我希望得到这样的结果：

   condition  var1   var2    var3
1:       one 101.0 1001.0 10001.0
2:       two 104.0 1004.0 10004.0
3:     three 107.0 1007.0 10007.0
4:      four 109.5 1009.5 10009.5

Answer 1

您应该使用.SDcols（特别是如果您有太多列并且您需要仅对列的子集执行特定操作（分组变量列除外）。

dtb[, lapply(.SD, mean), by=condition, .SDcols=2:4]

#    condition  var1   var2    var3
# 1:       one 101.0 1001.0 10001.0
# 2:       two 104.0 1004.0 10004.0
# 3:     three 107.0 1007.0 10007.0
# 4:      four 109.5 1009.5 10009.5

您还可以首先在变量中获取所有要取平均值的列名，然后将其传递给.SDcols，如下所示：

keys <- setdiff(names(dtb), "condition")
# keys = var1, var2, var3
dtb[, lapply(.SD, mean), by=condition, .SDcols=keys]

编辑：正如 Matthew Dowle 正确指出的那样，由于您需要在按 condition 分组后每隔一列计算均值，您可以这样做：

dtb[, lapply(.SD, mean), by=condition]

David 的编辑：（被拒绝）：从this post 阅读有关.SD 的更多信息。我发现这在这里是相关的。谢谢@大卫。

编辑 2：假设您有一个 data.table，有 1000 行和 301 列（一列用于分组和 300 个数字列）：

require(data.table)
set.seed(45)
dt <- data.table(grp = sample(letters[1:15], 1000, replace=T))
m  <- matrix(rnorm(300*1000), ncol=300)
dt <- cbind(dt, m)
setkey(dt, "grp")

而您想找到列的平均值，例如 251:300，

• 您可以计算所有列的平均值，然后对这些列进行子集化（这不是很有效，因为您将在整个数据上进行计算）。

  dt.out <- dt[, lapply(.SD, mean), by=grp]
  dim(dt.out) # 15 * 301, not efficient.
  

• 您可以先将data.table 过滤到这些列，然后计算平均值（这又不一定是最佳解决方案，因为每次您想要对某些列进行操作时，您都必须创建一个额外的子集 data.table .

  dt.sub <- dt[, c(1, 251:300)]
  setkey(dt.sub, "grp")
  dt.out <- dt.sub[, lapply(.SD, mean), by=grp]
  

• 您可以像往常一样一一指定每一列（但这对于较小的 data.tables 是可取的）

  # if you just need one or few columns
  dt.out <- dt[, list(m.v251 = mean(V251)), by = grp]
  

那么最好的解决方案是什么？答案是 .SDcols。

如文档所述，对于 data.table x，.SDcols 指定包含在 .SD 中的列。

这基本上隐式过滤将传递给 .SD 的列，而不是创建一个子集（就像我们之前所做的那样），只是它非常高效和快速！

我们怎样才能做到这一点？

• 通过指定列号：

  dt.out <- dt[, lapply(.SD, mean), by=grp, .SDcols = 251:300]
  dim(dt.out) # 15 * 51 (what we expect)
  

• 或者通过指定列ID：

  ids <- paste0("V", 251:300) # get column ids
  dt.out <- dt[, lapply(.SD, mean), by=grp, .SDcols = ids]
  dim(dt.out) # 15 * 51 (what we expect)
  

它接受列名和数字作为参数。在这两种情况下，.SD 将仅与我们指定的这些列一起提供。

希望这会有所帮助。