R data.table一次重塑列的塊

Question

可以說我有一個包含這些列的data.table

nodeID   
hour1aaa   
hour1bbb   
hour1ccc   
hour2aaa   
hour2bbb   
hour2ccc   
...   
hour24aaa   
hour24bbb   
hour24ccc

共72列。 我們稱它為rawtable

我想重塑它，所以我有

nodeID
hour
aaa
bbb
ccc

總共只有這5列，其中hour列將包含原始72小時中的任何一個小時。 我們稱它為newshape

我現在的方式是將rbindlist與24個項目一起使用，其中每個項目都是更大的data.table的適當子集。 這樣（除非我在示例中省去了大部分時間）

newshape<-rbindlist(list(
 rawtable[,list(nodeID, Hour=1, aaa=hour1aaa, bbb=hour1bbb, ccc=hour1ccc)], 
 rawtable[,list(nodeID, Hour=2, aaa=hour2aaa, bbb=hour2bbb, ccc=hour2ccc)], 
 rawtable[,list(nodeID, Hour=24, aaa=hour24aaa, bbb=hour24bbb, ccc=hour24ccc)]))

這是一些示例數據

rawtable<-data.table(nodeID=c(1,2),hour1aaa=c(12.4,32),hour1bbb=c(61.1,65.33),hour1ccc=c(-4.2,54),hour2aaa=c(12.2,1.2),hour2bbb=c(12.2,5.7),hour2ccc=c(5.6,101.9),hour24aaa=c(45.2,8.5),hour24bbb=c(23,7.9),hour24ccc=c(98,32.3))

使用我的rbindlist方法可以得到理想的結果，但是，就像我對R所做的大多數事情一樣，可能還有更好的方法。 更好的意思是更高的內存效率，更快的速度和/或使用更少的代碼行。 有誰有更好的方法來實現這一目標？

Answer 1

如果按照您期望的標准約定來命名，這是一個經典的reshape問題，盡管我不確定這是否真正利用了data.table結構的效率：

reshape(
  setNames(rawtable, gsub("(\\D+)(\\d+)(\\D+)", "\\3.\\2", names(rawtable))),
  idvar="nodeID", direction="long", varying=-1
)

結果：

   nodeID hour  aaa   bbb   ccc
1:      1    1 12.4 61.10  -4.2
2:      2    1 32.0 65.33  54.0
3:      1    2 12.2 12.20   5.6
4:      2    2  1.2  5.70 101.9
5:      1   24 45.2 23.00  98.0
6:      2   24  8.5  7.90  32.3

@Arun在這里的答案： https : @Arun如果可以使其適應當前數據，也可能會很有用。

Answer 2

一種選擇是使用merged.stack從我的包“splitstackshape”。 此函數stack s組列，然后將輸出合並在一起。 由於函數是如何創建“ time”變量的，因此您可以指定要從列名中刪除的任何內容。 在這種情況下，我們要去除“ hour”，“ aaa”，“ bbb”和“ ccc”，只剩下剩余的數字。

library(splitstackshape)
## Make sure you're using at least 1.2.0
packageVersion("splitstackshape")
# [1] ‘1.2.0’
merged.stack(rawtable, id.vars="nodeID", 
             var.stubs=c("aaa", "bbb", "ccc"), 
             sep="hour|aaa|bbb|ccc")
#    nodeID .time_1  aaa   bbb   ccc
# 1:      1       1 12.4 61.10  -4.2
# 2:      1       2 12.2 12.20   5.6
# 3:      1      24 45.2 23.00  98.0
# 4:      2       1 32.0 65.33  54.0
# 5:      2       2  1.2  5.70 101.9
# 6:      2      24  8.5  7.90  32.3