如何將函數應用於data.table的子集，使用by並將所有列公開給函數？

Question

在按組切片data.table ，用於切片數據的變量在函數執行期間不在子集中。 我使用debugonce演示了這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，我將根據factor（s）切片data.frame並將該函數應用於所有列，也就是說，還包括用於切片的變量它（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

該任擇議定書有一個函數，它接受一個列表，其中應包含data.table包括用於分組中列的所有列參數by 。

根據help(".SD") ：

.SD是一個data.table，包含每個組的x的數據子集， 不包括 by （或keyby ）中使用的任何列。

（強調我的）

.BY是包含用於每個項目的長度1向量列表中的by 。 當事先不知道時by這可能是有用的。

因此， .BY和.SD補充以訪問data.table的所有列。

而不是在函數調用中明確重復by列

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

我們可以用

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()來顯示傳遞給myfun()的參數：

> 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

---

另一個例子

使用另一個示例數據集和函數，可能更容易舉例說明問題的核心：

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確實在輸出中顯示為分組變量，但它們不會通過.SD傳遞給函數。

現在，用.BY補充.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的所有列都傳遞給函數。

函數調用中的單獨參數

Roland建議將.BY和.SD作為單獨的參數傳遞給函數。 實際上， .BY是一個列表對象，而.SD是一個data.table對象（它本質上也是一個允許我們使用c(.BY, .SD) ）。 可能存在差異可能很重要的情況。

為了驗證，我們可以定義一個打印str()作為副作用的函數。 僅為第一組調用該函數（ .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 

其他鏈接

除了help(".SD") ，對以下SO問題的評論和回答可能有用：

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