重塑 data.table 的正确/最快方法

Question

我在 R 中有一个 data table：

library(data.table)
set.seed(1234)
DT <- data.table(x=rep(c(1,2,3),each=4), y=c("A","B"), v=sample(1:100,12))
DT
      x y  v
 [1,] 1 A 12
 [2,] 1 B 62
 [3,] 1 A 60
 [4,] 1 B 61
 [5,] 2 A 83
 [6,] 2 B 97
 [7,] 2 A  1
 [8,] 2 B 22
 [9,] 3 A 99
[10,] 3 B 47
[11,] 3 A 63
[12,] 3 B 49

我可以很容易地按 data.table 中的组对变量 v 求和：

out <- DT[,list(SUM=sum(v)),by=list(x,y)]
out
     x  y SUM
[1,] 1 A  72
[2,] 1 B 123
[3,] 2 A  84
[4,] 2 B 119
[5,] 3 A 162
[6,] 3 B  96

但是，我希望将组 (y) 作为列，而不是行。我可以使用reshape 完成此操作：

out <- reshape(out,direction='wide',idvar='x', timevar='y')
out
     x SUM.A SUM.B
[1,] 1    72   123
[2,] 2    84   119
[3,] 3   162    96

有没有更有效的方法在聚合数据后重塑数据？有没有办法使用 data.table 操作将这些操作合并为一个步骤？

Answer 1

data.table 包实现了更快的melt/dcast 函数（在 C 中）。它还具有允许熔化和铸造多个列的附加功能。请在 Github 上查看新的Efficient reshaping using data.tables。

data.table 的melt/dcast 函数从 v1.9.0 开始可用，功能包括：

• 在转换之前无需加载 reshape2 包。但是如果你想加载它以进行其他操作，请在加载之前加载它加载data.table。

• dcast 也是 S3 泛型。没有更多的dcast.data.table()。只需使用dcast()。

• melt:

  • 能够在“list”类型的列上融合。

  • 获得variable.factor 和value.factor，默认情况下分别为TRUE 和FALSE，以便与reshape2 兼容。这允许直接控制variable 和value 列的输出类型（作为因素或不作为因素）。

  • melt.data.table 的na.rm = TRUE 参数经过内部优化，可在熔解过程中直接去除 NA，因此效率更高。

  • 新：melt 可以接受measure.vars 的列表，并且列表的每个元素中指定的列将组合在一起。通过使用patterns() 可以进一步促进这一点。请参阅小插图或?melt。

• dcast：

  • 接受多个fun.aggregate 和多个value.var。请参阅小插图或?dcast。

  • 直接在公式中使用rowid() 函数来生成一个id 列，有时需要它来唯一标识行。请参阅 ?dcast。

• 旧基准：

  • melt：1000万行5列，61.3秒减少到1.2秒。
  • dcast：100 万行 4 列，192 秒减少到 3.6 秒。

科隆提醒（2013 年 12 月）演示幻灯片 32：Why not submit a dcast pull request to reshape2?

Answer 2

此功能现在已在 data.table 中实现（从 1.8.11 版开始），如上面 Zach 的回答所示。

我刚刚看到来自 Arun here on SO 的大量代码。所以我想有一个data.table 解决方案。应用于这个问题：

library(data.table)
set.seed(1234)
DT <- data.table(x=rep(c(1,2,3),each=1e6), 
                  y=c("A","B"), 
                  v=sample(1:100,12))

out <- DT[,list(SUM=sum(v)),by=list(x,y)]
# edit (mnel) to avoid setNames which creates a copy
# when calling `names<-` inside the function
out[, as.list(setattr(SUM, 'names', y)), by=list(x)]
})
   x        A        B
1: 1 26499966 28166677
2: 2 26499978 28166673
3: 3 26500056 28166650

这给出了与 DWin 方法相同的结果：

tapply(DT$v,list(DT$x, DT$y), FUN=sum)
         A        B
1 26499966 28166677
2 26499978 28166673
3 26500056 28166650

而且速度很快：

system.time({ 
   out <- DT[,list(SUM=sum(v)),by=list(x,y)]
   out[, as.list(setattr(SUM, 'names', y)), by=list(x)]})
##  user  system elapsed 
## 0.64    0.05    0.70 
system.time(tapply(DT$v,list(DT$x, DT$y), FUN=sum))
## user  system elapsed 
## 7.23    0.16    7.39 

更新

因此该解决方案也适用于非平衡数据集（即某些组合不存在），您必须先在数据表中输入它们：

library(data.table)
set.seed(1234)
DT <- data.table(x=c(rep(c(1,2,3),each=4),3,4), y=c("A","B"), v=sample(1:100,14))

out <- DT[,list(SUM=sum(v)),by=list(x,y)]
setkey(out, x, y)

intDT <- expand.grid(unique(out[,x]), unique(out[,y]))
setnames(intDT, c("x", "y"))
out <- out[intDT]

out[, as.list(setattr(SUM, 'names', y)), by=list(x)]

---

总结

将 cmets 与上述结合，这是 1 行解决方案：

DT[, sum(v), keyby = list(x,y)][CJ(unique(x), unique(y)), allow.cartesian = T][,
   setNames(as.list(V1), paste(y)), by = x]

也很容易将其修改为不仅仅是总和，例如：

DT[, list(sum(v), mean(v)), keyby = list(x,y)][CJ(unique(x), unique(y)), allow.cartesian = T][,
   setNames(as.list(c(V1, V2)), c(paste0(y,".sum"), paste0(y,".mean"))), by = x]
#   x A.sum B.sum   A.mean B.mean
#1: 1    72   123 36.00000   61.5
#2: 2    84   119 42.00000   59.5
#3: 3   187    96 62.33333   48.0
#4: 4    NA    81       NA   81.0

Answer 3

Data.table 对象继承自“data.frame”，因此您可以使用 tapply：

> tapply(DT$v,list(DT$x, DT$y), FUN=sum)
   AA  BB
a  72 123
b  84 119
c 162  96

Answer 4

您可以使用来自reshape2 库的dcast。这是代码

# DUMMY DATA
library(data.table)
mydf = data.table(
  x = rep(1:3, each = 4),
  y = rep(c('A', 'B'), times = 2),
  v = rpois(12, 30)
)

# USE RESHAPE2
library(reshape2)
dcast(mydf, x ~ y, fun = sum, value_var = "v")

注意：tapply 解决方案会快得多。