使用 data.table R 中的两个单独数据集创建汇总表

Question

语言：R

包：data.table

我有两个数据集：一个列出了所有国家/地区名称（关键数据集），另一个我有一些关于人口的数据，其中一个字段是出生国家。我想制作每个国家出生人数的数据表。现在可能有一些国家没有参与者出生。如何使用 data.table 命令创建这样的表？

例子：

CountryKey = data.table(Country = LETTERS[1:5])
DT = data.table(Person = c(1,2,3,4,5,6,7), Birth = LETTERS[c(1,1,2,3,2,1,3)])

DT
   Person Birth
1:      1     A
2:      2     A
3:      3     B
4:      4     C
5:      5     B
6:      6     A
7:      7     C

CountryKey
   Country
1:       A
2:       B
3:       C
4:       D
5:       E

DT[, j = .(.N), by = .(Birth)]
   Birth N
1:     A 3
2:     B 2
3:     C 2

由于 D 和 E 中没有出生的人，因此它们不会出现在输出中。但是我希望看到它们的值为零。

@Frank 回答了这个问题。

DT[CountryKey, on=c(Birth = "Country"), .N, by=.EACHI]
   Birth N
1:     A 3
2:     B 2
3:     C 2
4:     D 0
5:     E 0

但是，CountryKey 文件的行中可能不是唯一的。假设它只是一些类似于 DT 的数据集，具有同一国家的许多行。那我们该怎么做呢？

CountryKey = data.table(Country =c('A','B','B','C','C','D','E','D','D'))

   Country
1:       A
2:       B
3:       B
4:       C
5:       C
6:       D
7:       E
8:       D
9:       D

上述解决方案给出的结果不是我想要的。我只想查看每个国家/地区的唯一条目。

DT[CountryKey, on=c(Birth = "Country"), .N, by=.EACHI]
   Birth N
1:     A 3
2:     B 2
3:     B 2
4:     C 2
5:     C 2
6:     D 0
7:     E 0
8:     D 0
9:     D 0

@Frank 的回答部分有效：

DT[unique(CountryKey), on=c(Birth = "Country"), .N, by=.EACHI]
   Birth N
1:     A 3
2:     B 2
3:     C 2
4:     D 0
5:     E 0

但是，如果 CountryKey 有多个列，则它没有：

   CountryKey = data.table(Country =c('A','B','B','C','C','D','E','D','D'), 
Somevalue = sample(x = 3, size = 9, replace = T))

DT[unique(CountryKey), on=c(Birth = "Country"), .N, by=.EACHI]
   Birth N
1:     A 3
2:     B 2
3:     B 2
4:     C 2
5:     C 2
6:     D 0
7:     E 0
8:     D 0

@Frank 的解决方案：

DT[i = unique(CountryKey$Country), on="Birth", .N, by=.EACHI]
P.S. : You should have 1.9.7. Earlier versions will give an error.

Answer 1

这是一种方法：

DT[.(unique(CountryKey$Country)), .N, on="Birth", by=.EACHI]

OP 报告这会导致 data.table 1.9.6 出现错误（说 Birth 是一个因素）。在这种情况下，请先运行DT[, Birth := as.character(Birth)]。

Answer 2

我认为将 DT$Birth 编码为一个因素，将级别作为 CountryKey$Country 的唯一值实际上是处理此问题的最优雅的方法（从概念上和实际上）。因子类正是为了处理这种情况而编写的。这也适用于 data.tables 和 data.frames。

CountryKey = data.table(Country = LETTERS[1:5])
DT = data.table(Person = c(1,2,3,4,5,6,7), Birth = LETTERS[c(1,1,2,3,2,1,3)])

DT$Birth_factor<-as.factor(DT$Birth)
levels(DT$Birth_factor)<-unique(CountryKey$Country)
table(DT$Birth_factor)

table()的结果

> table(DT$Birth_factor)

A B C D E 
3 2 2 0 0 

data.table 特定的类似物可能如下所示：

DT[, Birth := factor(Birth, levels = union(Birth, CountryKey$Country))]
DT[levels(Birth), .N, on = "Birth", by=.EACHI]