r - 使用 data.table 汇总多列

Question

我正在尝试使用 data.table 来加速由几个较小的合并 data.frame 组成的大型 data.frame (300k x 60) 的处理。我是 data.table 的新手。到目前为止的代码如下

library(data.table)
a = data.table(index=1:5,a=rnorm(5,10),b=rnorm(5,10),z=rnorm(5,10))
b = data.table(index=6:10,a=rnorm(5,10),b=rnorm(5,10),c=rnorm(5,10),d=rnorm(5,10))
dt = merge(a,b,by=intersect(names(a),names(b)),all=T)
dt$category = sample(letters[1:3],10,replace=T)

我想知道是否有比以下更有效的方法来总结数据。

summ = dt[i=T,j=list(a=sum(a,na.rm=T),b=sum(b,na.rm=T),c=sum(c,na.rm=T),
                     d=sum(d,na.rm=T),z=sum(z,na.rm=T)),by=category]

我真的不想手动输入所有 50 列计算，并且 eval(paste(...)) 不知何故显得笨拙。

我查看了下面的示例，但它对于我的需求来说似乎有点复杂。谢谢

how to summarize a data.table across multiple columns

Answer 1

您可以使用简单的lapply声明 .SD

dt[, lapply(.SD, sum, na.rm=TRUE), by=category ]

   category index        a        b        z         c        d
1:        c    19 51.13289 48.49994 42.50884  9.535588 11.53253
2:        b     9 17.34860 20.35022 10.32514 11.764105 10.53127
3:        a    27 25.91616 31.12624  0.00000 29.197343 31.71285

<小时/>

如果您只想对某些列进行汇总，则可以添加 .SDcols论据

#  note that .SDcols also allows reordering of the columns
dt[, lapply(.SD, sum, na.rm=TRUE), by=category, .SDcols=c("a", "c", "z") ] 

   category        a         c        z
1:        c 51.13289  9.535588 42.50884
2:        b 17.34860 11.764105 10.32514
3:        a 25.91616 29.197343  0.00000

<小时/>

这当然不限于sum您可以使用 lapply 的任何函数，包括匿名函数。 (即，这是一个常规的 lapply 语句)。

最后，不需要使用i=T和j= <..> 。就我个人而言，我认为这会降低代码的可读性，但这只是一种风格偏好。

<小时/>

文档

参见?.SD , ?data.table及其 .SDcols论证和小插图 Using .SD for Data Analysis .

另请查看data.table FAQ 2.1 .