R - 每组计算 - data.table 和 aggregate()

Question

我想按组进行简单的计算。我经常使用aggregate。要按组gp1、gp2 和gp3 计算我的var 的sum，我做了：

m.temp  <- aggregate(var ~ gp1 + gp2 + gp3, df, sum)

效果很好，但速度很慢。在数据表中执行此操作之前，我想尝试更改函数的语法以加快处理速度。然后我做了：

m.temp2 <- aggregate(df$var, 
                     list(df$gp1, df$gp2, df$gp3), 
                     sum)

不幸的是，一个简单的验证告诉我这些计算是不等价的。

> identical(m.temp, m.temp2)
[1] FALSE

变量名称不同，但更糟糕的是，这 2 个结果之间存在 19 477 个观察值（行）的差异，这不是因为某些 NAs 存在...

那么我的第一个问题是：怎么会？这两种语法有什么区别？

为了了解哪种语法更好，我尝试使用简单的 data.table 过程来完成。不幸的是，由于我的语法不正确，我无法得到任何结果，但我不明白我错过了什么。我绑了：

m.temp4 <- df[, list(sum = sum(df$var)), 
                      by = list(gp1, gp2, gp3)]

最后，我也尝试直接聚合一个新列，同样没有结果...

df[, new.col := sum(var), by = list(gp1, gp2, gp3)] 

我做错了什么？

Answer 1

假设数据集是data.table，否则用setDT转换成一个

library(data.table)
setDT(df)[, new_col := sum(var), by = .(gp1, gp2, gp3)]

---

在 OP 的帖子中，sum 是在整个列 df$var 上完成的，而不是组内的 'var' 元素，从而产生一个 sum 值。删除 df$ 并使用未加引号的列名。

注意：:= 创建一个新列。如果目的是总结，请将其放在list 或.()

setDT(df)[, .(new_col =  sum(var)), by = .(gp1, gp2, gp3)]

---

另一个选项是tidyverse

library(tidyverse)
df %>%
    group_by(gp1, gp2, gp3) %>%
    summarise(new_col = sum(var))

要创建新列，请将summarise 替换为mutate