根据包含列名的变量从不同列中选择值[重复]

Question

我有一个这样的 data.table：

col1   col2   col3  new  
1       4     55    col1 
2       3     44    col2
3       34    35    col2
4       44    87    col3

我想填充另一列 matched_value，其中包含来自 new 列中给出的相应列名称的值：

col1   col2   col3  new    matched_value
1       4     55    col1        1
2       3     44    col2        3
3       34    35    col2        34
4       44    87    col3        87 

例如，在第一行中，new 的值为“col1”，因此matched_value 采用来自col1 的值，即 1。

如何在 R 中对非常大的 data.table 有效地执行此操作？

Answer 1

借口使用不起眼的.BY：

DT[, newval := .SD[[.BY[[1]]]], by=new]

   col1 col2 col3  new newval
1:    1    4   55 col1      1
2:    2    3   44 col2      3
3:    3   34   35 col2     34
4:    4   44   87 col3     87

它是如何工作的。 这会根据new 中的字符串将数据分成组。每个组的字符串值存储在newname = .BY[[1]] 中。我们使用这个字符串通过.SD[[newname]]选择.SD的对应列。 .SD 代表 SData 的子集。

替代方案。 get(.BY[[1]]) 应该可以代替 .SD[[.BY[[1]]]] 工作。根据@David 运行的基准测试，这两种方法同样快。

Answer 2

我们可以match'new' 列和数据集的列名得到列索引，cbind 和行索引（1:nrow(df1)）并根据行提取数据集的对应元素/列索引。它可以分配给一个新列。

df1$matched_value <- df1[-4][cbind(1:nrow(df1),match(df1$new, colnames(df1) ))]
df1
#  col1 col2 col3  new matched_value
#1    1    4   55 col1             1
#2    2    3   44 col2             3
#3    3   34   35 col2            34
#4    4   44   87 col3            87

注意：如果 OP 有 data.table，一个选项是转换为 data.frame 或在子集化时使用 with=FALSE。

 setDF(df1) #to convert to 'data.frame'.

基准测试

set.seed(45)
df2 <- data.frame(col1= sample(1:9, 20e6, replace=TRUE),
col2= sample(1:20, 20e6, replace=TRUE), 
col3= sample(1:40, 20e6, replace=TRUE),
col4=sample(1:30, 20e6, replace=TRUE),
new= sample(paste0('col', 1:4), 20e6, replace=TRUE), stringsAsFactors=FALSE)
system.time(df2$matched_value <- df2[-5][cbind(1:nrow(df2),match(df2$new, colnames(df2) ))])
#   user  system elapsed 
#  2.54    0.37    2.92