R data.table 按列值设置子集答案

【问题标题】：R data.table subsetting by column valueR data.table 按列值设置子集
【发布时间】：2019-08-06 14:34:17
【问题描述】：

我想知道data.table 根据某些列值的出现选择行的最有效或最干净的方法是什么。例如，在一个 7 列数据表中，每个值为 1 或 0，我希望所有行恰好有 2 个 1 值和 5 个 0 值（1 表示“存在”和 0“不存在”）。

到目前为止，这就是我正在做的事情，假设以下data.table（更大，这里只是一个示例）

                                    name D2A1.var D2B3.var D3A1.var D4A3.var D5B3.var H2A3.var H4A4.var MA_ancestor.var
Chrom_1;10000034;G;A Chrom_1;10000034;G;A        1        1        1        1        1        1        1               1
Chrom_1;10000035;G;A Chrom_1;10000035;G;A        1        1        1        1        1        1        1               1
Chrom_1;10000042;C;A Chrom_1;10000042;C;A        1        1        1        1        1        1        1               1
Chrom_1;10000051;A;G Chrom_1;10000051;A;G        1        1        1        1        1        1        1               1
Chrom_1;10000070;G;A Chrom_1;10000070;G;A        1        1        1        1        1        1        1               1
Chrom_1;10000084;C;T Chrom_1;10000084;C;T        1        1        1        1        1        1        1               1
Chrom_6;9997224;AT;A               Chrom_6;9997224;AT;A        0        0        0        0        0        1        0               1
Chrom_6;9998654;GTGTGTGTT;G Chrom_6;9998654;GTGTGTGTT;G        0        0        0        0        0        0        0               1
Chrom_6;9999553;TTTC;T           Chrom_6;9999553;TTTC;T        0        0        0        0        0        0        0               1

如果我想要我有 7 1 的所有行，假设 D2A1.var 和 D3A1.var 中只有 1，我正在执行以下操作

ALL = DT[DT$MA_ancestor.var == 1 & DT$D2A1.var == 1 &DT$D2B3.var == 1 & DT$D3A1.var == 1 & DT$D4A3.var == 1 &DT$D5B3.var == 1 & DT$H2A3.var == 1 & DT$H4A4.var == 1,]
TWO = DT[DT$MA_ancestor.var == 0 & DT$D2A1.var == 1 &DT$D2B3.var == 0 & DT$D3A1.var == 1 & DT$D4A3.var == 0 &DT$D5B3.var == 0 & DT$H2A3.var == 0 & DT$H4A4.var == 0,]
DFlist=list(TWO, ALL)
DFlong = rbindlist(DFlist, use.names = TRUE, idcol = FALSE)

这会返回预期的结果并且速度足够快。但是，当有多个条件时，需要大量输入和大量data.table 创作。有没有更快、更干净、更紧凑的方法来实现这一目标？

【问题讨论】：

“例如，在一个 7 列数据表中，每个值为 1 或 0，我希望所有行中恰好有 2 个值 1 和 5 个值 0。”我只是做Reduce("+", .SD) == 2 并将其用于子集。

标签： r data.table rows data-manipulation multiple-conditions

【解决方案1】：

我们可以通过指定感兴趣的列来使用.SDcols。循环遍历 Data.table (.SD) 的子集，创建逻辑 vector 和 Reduce 的 list 到单个逻辑 vector 和 &

ALL <- DT[, Reduce(`&`, lapply(.SD, `==`, 1), .SDcols = nm1]
TWO <- DT[, Reduce(`&`, lapply(.SD, `==`, 0), .SDcols = nm1]

在哪里

nm1 <- names(DT)[-1] #or change the names accordingly

【讨论】：

【解决方案2】：

另一个使用setkey的选项：

setkeyv(DT, names(DT))

#create desired filtering conditions as lists
cond1 <- setNames(as.list(rep(1, ncol(DT))), names(DT))
cond2 <- list(MA_ancestor.var=0, D2A1.var=1, D2B3.var=0, D3A1.var=1, D4A3.var=0, D5B3.var=0, H2A3.var=0, H4A4.var=0)

#get list of conditions so that one does not have to type it one by one
scond <- grep("^cond", ls(), value=TRUE)
DT[rbindlist(mget(scond, envir=.GlobalEnv), use.names=TRUE)]

如果您担心捡起以cond 开头的虚假变量，您可以使用list2env 将它们分配给环境并将envir 传递给mget。

数据：

DT <- fread("D2A1.var D2B3.var D3A1.var D4A3.var D5B3.var H2A3.var H4A4.var MA_ancestor.var
1        1        1        1        1        1        1               1
1        1        1        1        1        1        1               1
1        1        1        1        1        1        1               1
1        1        1        1        1        1        1               1
1        1        1        1        1        1        1               1
1        1        1        1        1        1        1               1
0        0        0        0        0        1        0               1
0        0        0        0        0        0        0               1
0        0        0        0        0        0        0               1")

【讨论】：

【解决方案3】：

有没有更快、更干净、更紧凑的方法来实现这一点？

像您一样进行单独的查询和 rbinding 可能是最简单的。

您可以使用replace 和连接语法来简化每个查询：

# make a list of columns initially set to value 0
vec0 = lapply(DT[, .SD, .SDcols=D2A1.var:MA_ancestor.var], function(x) 0)

# helper function for semi join
subit = function(x, d = DT) d[x, on=names(x), nomatch=0]

rbind(
  subit(replace(vec0, names(vec0), 1)),
  subit(replace(vec0, c("D2A1.var", "D3A1.var"), 1))
)

（此代码未经测试，因为 OP 的数据不易重现。）

您可能可以进一步简化...

subitall = function(..., d = DT, v0 = vec0) 
  rbindlist(lapply(..., function(x) subit( replace(v0, names(v0), 1), d = d )))

subitall( names(vec0), c("D2A1.var", "D3A1.var") )

关于子集/半连接的函数subit，您可以根据Perform a semi-join with data.table中的答案修改它以满足您的需求

编辑：哦，对了，按照@chinsoon 的回答，你也可以先 rbind：

subit(rbindlist(list(
  replace(vec0, names(vec0), 1),
  replace(vec0, c("D2A1.var", "D3A1.var"), 1)      
)))

这意味着只加入一次，这样更简单。

【讨论】：