具有多个分组变量集的数据表操作答案

【问题标题】：Data table operations with multiple group by variable sets具有多个分组变量集的数据表操作
【发布时间】：2015-03-05 23:55:35
【问题描述】：

我有一个data.table，我想对其执行分组操作，但想保留空变量并使用不同的分组变量集。

一个玩具例子：

library(data.table)
set.seed(1)
DT <- data.table(
        id = sample(c("US", "Other"), 25, replace = TRUE), 
        loc = sample(LETTERS[1:5], 25, replace = TRUE), 
        index = runif(25)
        )

我想通过关键变量的所有组合（包括空集）找到index 的总和。这个概念类似于 Oracle SQL 中的“分组集”，这是我当前解决方法的一个示例：

rbind(
  DT[, list(id = "", loc = "", sindex = sum(index)), by = NULL],
  DT[, list(loc = "", sindex = sum(index)), by = "id"],
  DT[, list(id = "", sindex = sum(index)), by = "loc"],
  DT[, list(sindex = sum(index)), by = c("id", "loc")]
)[order(id, loc)]
       id loc      sindex
 1:           11.54218399
 2:         A  2.82172063
 3:         B  0.98639578
 4:         C  2.89149433
 5:         D  3.93292900
 6:         E  0.90964424
 7: Other      6.19514146
 8: Other   A  1.12107080
 9: Other   B  0.43809711
10: Other   C  2.80724742
11: Other   D  1.58392886
12: Other   E  0.24479728
13:    US      5.34704253
14:    US   A  1.70064983
15:    US   B  0.54829867
16:    US   C  0.08424691
17:    US   D  2.34900015
18:    US   E  0.66484697

是否有首选的“数据表”方式来完成此操作？

【问题讨论】：

如果你真的想要data.table 中的结果，你在这里做的很好。如果您只是要查看结果，表格格式（在边缘带有交叉分类变量）要好得多：stable <- tapply(DT$index,list(DT$id,DT$loc),sum); mstable <- rbind(cbind(stable,apply(stable,1,sum)),c(apply(stable,2,sum),sum(stable)))。顺便说一下，生成随机数据时请使用set.seed作为示例。
哦，实际上比这更简单，因为addmargins 有效：addmargins(stable)
Oracle GROUPING SETS 可以由 data.table 高级函数完成，不需要内部结构，与您所做的类似。我建议填写该功能的功能请求。
只是为了记录，有一个开放的FR data.table#1377。你也可以在这个SO 和更通用的rollup.data.table 方法中找到rollup 通用函数示例。他们仍然没有直接回答分组集，所以我只是发表评论。

标签： r data.table

【解决方案1】：

截至this 提交，现在可以使用data.table 的开发版本和cube 或groupingsets：

library("data.table")
# data.table 1.10.5 IN DEVELOPMENT built 2017-08-08 18:31:51 UTC
#   The fastest way to learn (by data.table authors): https://www.datacamp.com/courses/data-analysis-the-data-table-way
#   Documentation: ?data.table, example(data.table) and browseVignettes("data.table")
#   Release notes, videos and slides: http://r-datatable.com

cube(DT, list(sindex = sum(index)), by = c("id", "loc"))
#        id loc      sindex
#  1:    US   B  0.54829867
#  2:    US   A  1.70064983
#  3: Other   B  0.43809711
#  4: Other   E  0.24479728
#  5: Other   C  2.80724742
#  6: Other   A  1.12107080
#  7:    US   E  0.66484697
#  8:    US   D  2.34900015
#  9: Other   D  1.58392886
# 10:    US   C  0.08424691
# 11:    NA   B  0.98639578
# 12:    NA   A  2.82172063
# 13:    NA   E  0.90964424
# 14:    NA   C  2.89149433
# 15:    NA   D  3.93292900
# 16:    US  NA  5.34704253
# 17: Other  NA  6.19514146
# 18:    NA  NA 11.54218399

groupingsets(DT, j = list(sindex = sum(index)), by = c("id", "loc"), sets = list(character(), "id", "loc", c("id", "loc")))
#        id loc      sindex
#  1:    NA  NA 11.54218399
#  2:    US  NA  5.34704253
#  3: Other  NA  6.19514146
#  4:    NA   B  0.98639578
#  5:    NA   A  2.82172063
#  6:    NA   E  0.90964424
#  7:    NA   C  2.89149433
#  8:    NA   D  3.93292900
#  9:    US   B  0.54829867
# 10:    US   A  1.70064983
# 11: Other   B  0.43809711
# 12: Other   E  0.24479728
# 13: Other   C  2.80724742
# 14: Other   A  1.12107080
# 15:    US   E  0.66484697
# 16:    US   D  2.34900015
# 17: Other   D  1.58392886
# 18:    US   C  0.08424691

【讨论】：

【解决方案2】：

我有一个通用函数，您可以输入数据框和您希望分组的维度向量，它将返回按这些维度分组的所有数字字段的总和。

rollSum = function(input, dimensions){
   #cast dimension inputs to character in case a dimension input is numeric 
   for (x in 1:length(dimensions)){
       input[[eval(dimensions[x])]] = as.character(input[[eval(dimensions[x])]])
    }
    numericColumns = which(lapply(input,class) %in% c("integer", "numeric")) 
    output = input[,lapply(.SD, sum, na.rm = TRUE), by = eval(dimensions),
    .SDcols = numericColumns]
    return(output)
}

那么你可以通过向量创建一个不同组的列表：

groupings = list(c("id"),c("loc"),c("id","loc"))

然后将它与 lapply 和 rbindlist 一起使用：

groupedSets = rbindlist(lapply(groupings, function(x){
    return(rollSum(DT,x))}), fill = TRUE)

【讨论】：

【解决方案3】：

使用dplyr，如果我正确理解您的问题，对此的改编应该可以工作。

sum <- mtcars %>%
  group_by(vs, am) %>%
  summarise(Sum=sum(mpg))

虽然我没有检查它如何处理丢失的值，但它应该只制作另一组（最后一组）。

【讨论】：