如何将函数应用于data.table的子集，使用by并将所有列公开给函数？

Question

在按组切片data.table ，用于切片数据的变量在函数执行期间不在子集中。 我使用debugonce演示了这debugonce 。

library(data.table)
x <- data.table(a = rep(letters[1:4], each = 3), b = rep(c("a", "b"), each = 6), c = rnorm(12))

myfun <- function(y) paste(y$a, y$b, y$c, collapse = "")

> debugonce(myfun)
> x[, myfun(.SD), by = .(b, a)]
debugging in: myfun(.SD)
debug: paste(y$a, y$b, y$c, collapse = "")
Browse[2]> y
            c
1: -1.2662416
2:  0.9818497
3: -0.5395385

我所追求的是split-sapply范例的功能，我将根据factor（s）切片data.frame并将该函数应用于所有列，也就是说，还包括用于切片的变量它（如下所示）。

> debugonce(myfun)

> sapply(split(x, f = list(x$b, x$a)), FUN = myfun)
debugging in: FUN(X[[i]], ...)
debug: paste(y$a, y$b, y$c, collapse = "")
Browse[2]> y
a b          c
1: a a -1.2662416
2: a a  0.9818497
3: a a -0.5395385

Answer 1

该任择议定书有一个函数，它接受一个列表，其中应包含data.table包括用于分组中列的所有列参数by 。

根据help(".SD") ：

.SD是一个data.table，包含每个组的x的数据子集， 不包括 by （或keyby ）中使用的任何列。

（强调我的）

.BY是包含用于每个项目的长度1向量列表中的by 。 当事先不知道时by这可能是有用的。

因此， .BY和.SD补充以访问data.table的所有列。

而不是在函数调用中明确重复by列

x[, myfun(c(list(b, a), .SD)), by = .(b, a)]

我们可以用

x[, myfun(c(.BY, .SD)), by = .(b, a)]

  ba V1 1: aaaa -1.02091215130492aa -0.295107569536843aa 0.77776326093429 2: abba -0.369037832486311ba -0.716211663822323ba -0.264799143319049 3: bccb -1.39603530693486cb 1.4707902839894cb 0.721925347069227 4: bddb -1.15220308230505db -0.736782242593426db 0.420986999145651 

OP使用了debugonce()来显示传递给myfun()的参数：

> debugonce(myfun)
> x[, myfun(c(.BY, .SD)), by = .(b, a)]
debugging in: myfun(c(.BY, .SD))
debug at #1: paste(y$a, y$b, y$c, collapse = "")
Browse[2]> y
$b
[1] "a"

$a
[1] "a"

$c
[1] -1.0209122 -0.2951076  0.7777633

---

另一个例子

使用另一个示例数据集和函数，可能更容易举例说明问题的核心：

x <- data.table(a = rep(letters[3:6], each = 3), b = rep(c("x", "y"), each = 6), c = 1:12)
myfun <- function(y) paste(y$a, y$b, y$c, sep = "/", collapse = "-")

x[, myfun(.SD), by = .(b, a)]

  ba V1 1: xc //1-//2-//3 2: xd //4-//5-//6 3: ye //7-//8-//9 4: yf //10-//11-//12 

因此，列b和a确实在输出中显示为分组变量，但它们不会通过.SD传递给函数。

现在，用.BY补充.SD

x[, myfun(c(.BY, .SD)), by = .(b, a)]

  ba V1 1: xcc/x/1-c/x/2-c/x/3 2: xdd/x/4-d/x/5-d/x/6 3: yee/y/7-e/y/8-e/y/9 4: yff/y/10-f/y/11-f/y/12 

data.table的所有列都传递给函数。

函数调用中的单独参数

Roland建议将.BY和.SD作为单独的参数传递给函数。 实际上， .BY是一个列表对象，而.SD是一个data.table对象（它本质上也是一个允许我们使用c(.BY, .SD) ）。 可能存在差异可能很重要的情况。

为了验证，我们可以定义一个打印str()作为副作用的函数。 仅为第一组调用该函数（ .GRP == 1L ）。

myfun1 <- function(y) str(y)
x[, if (.GRP == 1L) myfun1(.SD), by = .(b, a)]

 Classes 'data.table' and 'data.frame': 3 obs. of 1 variable: $ c: int 1 2 3 - attr(*, ".internal.selfref")=<externalptr> - attr(*, ".data.table.locked")= logi TRUE Empty data.table (0 rows) of 2 cols: b,a 

x[, if (.GRP == 1L) myfun1(.BY), by = .(b, a)]

 List of 2 $ b: chr "x" $ a: chr "c" Empty data.table (0 rows) of 2 cols: b,a 

x[, if (.GRP == 1L) myfun1(c(.BY, .SD)), by = .(b, a)]

 List of 3 $ b: chr "x" $ a: chr "c" $ c: int [1:3] 1 2 3 Empty data.table (0 rows) of 2 cols: b,a 

其他链接

除了help(".SD") ，对以下SO问题的评论和回答可能有用：

• 什么.SD代表R中的data.table
• 在data.table R中使用lapply .SD