[英]Use of lapply .SD in data.table R
我不太清楚.SD
和by
使用。
例如,下面的代碼片段是否意味着:“將DT
中的所有列更改為除A
和B
之外的因子?” 它還在data.table
手冊中說:“ .SD
指的是每個組的data.table
的子集(不包括分組列)” - 所以列A
和B
被排除在外?
DT = DT[ ,lapply(.SD, as.factor), by=.(A,B)]
但是,當您進行聚合時,我也通過 SQL 中的“分組依據”之類by
方式閱讀了它。 例如,如果我想對除A
和B
之外的所有列求和(如 SQL 中的colsum
),我是否仍使用類似的東西? 或者在這種情況下,下面的代碼是否意味着對A
列和B
列中的值進行求和和分組? (像在 SQL 中一樣按A,B
求和和分組)
DT[,lapply(.SD,sum),by=.(A,B)]
那么我該如何對除A
和B
之外的所有列進行簡單的colsum
呢?
只是為了用一個例子來說明上面的評論,讓我們來看看
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
比較以下內容:
#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
一些注意事項:
DT
中的所有列......” 答案是否定的,這對data.table
非常重要。 返回的對象是一個新的data.table
,並且DT
中的所有列都與運行代碼之前完全一樣。
再次參考上面的觀點,請注意您的代碼( DT[, lapply(.SD, as.factor)]
)返回一個新的data.table
並且根本不更改DT
。 一種(不正確的)方法是用base
中的data.frame
s 完成此操作,即用您返回的新data.table
覆蓋舊data.table
,即DT = DT[, lapply(.SD, as.factor)]
。
這是一種浪費,因為它涉及創建DT
的副本,當DT
很大時,這可能會成為效率殺手。 解決此問題的正確data.table
方法是使用`:=`
通過引用更新列,例如DT[, names(DT):= lapply(.SD, as.factor)]
,這不會創建您的副本數據。 有關更多信息,請參閱data.table
的參考語義小插圖。
lapply(.SD, sum)
的效率與colSums
的效率進行比較。 sum
在data.table
中進行了內部優化(您可以從在[]
中添加verbose = TRUE
參數的輸出中注意到這是正確的); 為了實際看到這一點,讓我們稍微加強一下DT
並運行一個基准測試:結果:
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
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.