[英]Use of lapply .SD in data.table R
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?
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:
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。
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。
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
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.