是否有一种最佳方法可以使用 data.table 创建一堆新列？

Question

我正在使用 data.table 我有一个新列名称的向量。我想创建这些新列，但使用旧列中的信息。 让我在下面的例子中展示它：

data <- data.table(a = c("OneA", "TwoB", "ThreeC"),
                   b = c(1, 2, 3))

newCols <- c("One", "Two", "Three")

for (newCol in newCols) {
  data[, eval(newCol) := gsub(paste0("^.*", newCol), "", a)]
}

作为输出，我期望（并得到）以下内容：

> data
        a   b    One    Two Three
1:   OneA   1      A   OneA  OneA
2:   TwoB   2   TwoB      B  TwoB
3: ThreeC   3 ThreeC ThreeC     C

在这种情况下，我结合了从向量定义新列并使用向量值本身来填充这些列。有没有办法让它更优化（例如使用 set()）？

Answer 1

一种可能的方法是：

library(data.table)

DT[, (newCols) := lapply(newCols, function(x) sub(x, "", a))][]
#>         a b    One    Two Three
#> 1:   OneA 1      A   OneA  OneA
#> 2:   TwoB 2   TwoB      B  TwoB
#> 3: ThreeC 3 ThreeC ThreeC     C

数据

DT <- data.table(a = c("OneA", "TwoB", "ThreeC"), b = c(1, 2, 3))
newCols <- c("One", "Two", "Three")

Answer 2

其实，你离得很近。只需将您的代码调整为：

for (newCol in newCols) {
  DT[, (newCol) := sub(newCol, "", a)]
}

您有一个既快速又节省内存的解决方案（比使用lapply 更好）。

您也可以在 for 循环中使用 set：

for (newCol in newCols) {
  set(DT, j = newCol, value = sub(newCol, "", DT[["a"]]))
}

那么为什么在这种情况下for-loop 是更好的选择呢？

1. 使用lapply，首先评估:= 的RHS（右手瞄准器）。这意味着首先创建所有新列，并且必须先在内存中分配和填充，然后再添加到data.table。 for-loop 方法效率更高，因为它一次只处理一列，因此只需要用于该一列的工作内存。
2. set 是 := 的低开销循环版本。它对于通过引用（使用 for 循环）重复更新某些列的行特别有用。 set 消除了 [data.table 方法的少量开销，因此速度更快。

以上解释基于 Matt Dowle（data.table 的创建者）的 this answer 和帮助文件 ?set。

Answer 3

使用Map()+cbind()的base R解决方案

data <- as.data.table(c(data,`names<-`(Map(function(x) gsub(x,"",data$a),newCols),newCols)))

这样

> data
        a b    One    Two Three
1:   OneA 1      A   OneA  OneA
2:   TwoB 2   TwoB      B  TwoB
3: ThreeC 3 ThreeC ThreeC     C