如何通过其列与data.table库的总和来规范化每个列值？

Question

我有一个如下所示的数据表（dt < - fread（“〜/ data.csv”）：

chr    gene_id       S1         S2         S3           S4
chr1      a          30         50         70           90
chr2      b          40         60         80           100
chr3      c          50         70         90           120
chr4      d          60         80         100          130

作为最终输出，我想将每列值标准化为其列的总和。

chr    gene_id       S1              S2           S3            S4
chr1     a        30/sum(S1)     50/sum(S2)    70/sum(S3)   90/sum(S4)
chr2     b        40/sum(S1)     60/sum(S2)    80/sum(S3)  100/sum(S4)
chr3     c        50/sum(S1)     70/sum(S2)    90/sum(S3)  120/sum(S4)
chr4     d        60/sum(S1)     80/sum(S2)   100/sum(S3)  130/sum(S4)

如何使用data.table得到上面的最终输出而不是来自tidyverse的dplyr？

Answer 1

您只想将此更改应用于数字列，因此必须标识这些更改。 然后使用lapply。 这将创建一个新的data.table。 Chinsoon的答案将通过引用更新 - 根据情景可能会更好。

library(data.table)
iris_example <- data.table(iris)

numeric_cols <- names(iris)[sapply(iris, is.numeric)]

iris_example[, lapply(.SD, function(x) x/sum(x)), .SDcols = numeric_cols]

# if you want to update by reference
iris_example[, (numeric_cols) := lapply(.SD, function(x) x/sum(x)), .SDcols = numeric_cols]

Answer 2

您可以使用如下get ：

cols <- paste0("S", 1:4)
dt[, (cols) := lapply(cols, function(x) get(x) / sum(get(x)))]

---

编辑：添加一些时间以供将来参考

library(data.table) 

DT <- as.data.table(matrix(rnorm(4*1e7), ncol=4))
#DT <- as.data.table(matrix(rnorm(4*1e4), nrow=4))

library(microbenchmark)
microbenchmark(

    DT[, lapply(.SD, function(x) x/sum(x)), .SDcols=names(DT)],

    DT[, .SD / lapply(.SD, sum), .SDcols=names(DT)],

    DT[, lapply(names(DT), function(x) get(x) / sum(get(x)))],

    #if you change ncol to nrow in matrix function above, you will understand why pple always ask you to go long format
    melt(DT)[, value / sum(value), by=variable],#[,
        #lapply(names(DT), function(x) .SD[variable==x, V1])],

    times=3L
)

定时：

Unit: milliseconds
                                                         expr       min        lq      mean    median        uq       max neval
 DT[, lapply(.SD, function(x) x/sum(x)), .SDcols = names(DT)]  245.9107  250.3230  278.4220  254.7353  294.6776  334.6200     3
              DT[, .SD/lapply(.SD, sum), .SDcols = names(DT)]  534.5416  540.0630  602.4990  545.5845  636.4777  727.3708     3
      DT[, lapply(names(DT), function(x) get(x)/sum(get(x)))]  248.1819  381.0036  440.7233  513.8254  536.9940  560.1625     3
                  melt(DT)[, value/sum(value), by = variable] 1219.2584 1250.5846 1425.0604 1281.9107 1527.9614 1774.0120     3

sessionInfo：

data.table_1.10.4-3 
R version 3.4.4 (2018-03-15)
Platform: x86_64-w64-mingw32/x64 (64-bit)

Answer 3

我们还可以考虑以下方法，它也适用于基本R data.frame。

library(data.table)

# Create example data.table
DT <- fread(
  "chr    gene_id       S1         S2         S3           S4
chr1      a          30         50         70           90
  chr2      b          40         60         80           100
  chr3      c          50         70         90           120
  chr4      d          60         80         100          130"
)

# Use lapply to loop through column 3 to 6
DT[, 3:6] <- lapply(DT[, 3:6], function(x) x/sum(x))

print(DT)
#     chr gene_id        S1        S2        S3        S4
# 1: chr1       a 0.1666667 0.1923077 0.2058824 0.2045455
# 2: chr2       b 0.2222222 0.2307692 0.2352941 0.2272727
# 3: chr3       c 0.2777778 0.2692308 0.2647059 0.2727273
# 4: chr4       d 0.3333333 0.3076923 0.2941176 0.2954545