在 data.table R 中使用 lapply.SD

Question

我不太清楚.SD和by使用。

例如，下面的代码片段是否意味着：“将DT中的所有列更改为除A和B之外的因子？” 它还在data.table手册中说：“ .SD指的是每个组的data.table的子集（不包括分组列）” - 所以列A和B被排除在外？

DT = DT[ ,lapply(.SD, as.factor), by=.(A,B)]

但是，当您进行聚合时，我也通过 SQL 中的“分组依据”之类by方式阅读了它。 例如，如果我想对除A和B之外的所有列求和（如 SQL 中的colsum ），我是否仍使用类似的东西？ 或者在这种情况下，下面的代码是否意味着对A列和B列中的值进行求和和分组？ （像在 SQL 中一样按A,B求和和分组）

DT[,lapply(.SD,sum),by=.(A,B)]

那么我该如何对除A和B之外的所有列进行简单的colsum呢？

Answer 1

只是为了用一个例子来说明上面的评论，让我们来看看

set.seed(10238)
# A and B are the "id" variables within which the
#   "data" variables C and D vary meaningfully
DT = data.table(
  A = rep(1:3, each = 5L), 
  B = rep(1:5, 3L),
  C = sample(15L),
  D = sample(15L)
)
DT
#     A B  C  D
#  1: 1 1 14 11
#  2: 1 2  3  8
#  3: 1 3 15  1
#  4: 1 4  1 14
#  5: 1 5  5  9
#  6: 2 1  7 13
#  7: 2 2  2 12
#  8: 2 3  8  6
#  9: 2 4  9 15
# 10: 2 5  4  3
# 11: 3 1  6  5
# 12: 3 2 12 10
# 13: 3 3 10  4
# 14: 3 4 13  7
# 15: 3 5 11  2

比较以下内容：

#Sum all columns
DT[ , lapply(.SD, sum)]
#     A  B   C   D
# 1: 30 45 120 120

#Sum all columns EXCEPT A, grouping BY A
DT[ , lapply(.SD, sum), by = A]
#    A  B  C  D
# 1: 1 15 38 43
# 2: 2 15 30 49
# 3: 3 15 52 28

#Sum all columns EXCEPT A
DT[ , lapply(.SD, sum), .SDcols = !"A"]
#     B   C   D
# 1: 45 120 120

#Sum all columns EXCEPT A, grouping BY B
DT[ , lapply(.SD, sum), by = B, .SDcols = !"A"]
#    B  C  D
# 1: 1 27 29
# 2: 2 17 30
# 3: 3 33 11
# 4: 4 23 36
# 5: 5 20 14

一些注意事项：

• 你说“下面的代码片段......改变了DT中的所有列......”

答案是否定的，这对data.table非常重要。 返回的对象是一个新的data.table ，并且DT中的所有列都与运行代码之前完全一样。

• 您提到要更改列类型

再次参考上面的观点，请注意您的代码（ DT[, lapply(.SD, as.factor)] ）返回一个新的data.table并且根本不更改DT 。 一种（不正确的）方法是用base中的data.frame s 完成此操作，即用您返回的新data.table覆盖旧data.table ，即DT = DT[, lapply(.SD, as.factor)] 。

这是一种浪费，因为它涉及创建DT的副本，当DT很大时，这可能会成为效率杀手。 解决此问题的正确data.table方法是使用`:=`通过引用更新列，例如DT[, names(DT):= lapply(.SD, as.factor)] ，这不会创建您的副本数据。 有关更多信息，请参阅data.table的参考语义小插图。

• 您提到了将lapply(.SD, sum)的效率与colSums的效率进行比较。 sum在data.table中进行了内部优化（您可以从在[]中添加verbose = TRUE参数的输出中注意到这是正确的）； 为了实际看到这一点，让我们稍微加强一下DT并运行一个基准测试：

结果：

library(data.table)
set.seed(12039)
nn = 1e7; kk = seq(100L)
DT = setDT(replicate(26L, sample(kk, nn, TRUE), simplify=FALSE))
DT[ , LETTERS[1:2] := .(sample(100L, nn, TRUE), sample(100L, nn, TRUE))]

library(microbenchmark)
microbenchmark(
  times = 100L,
  colsums = colSums(DT[ , !c("A", "B")]),
  lapplys = DT[ , lapply(.SD, sum), .SDcols = !c("A", "B")]
)
# Unit: milliseconds
#     expr       min        lq      mean    median        uq       max neval
#  colsums 1624.2622 2020.9064 2028.9546 2034.3191 2049.9902 2140.8962   100
#  lapplys  246.5824  250.3753  252.9603  252.1586  254.8297  266.1771   100