r - 按组在每个单元格中存储一个向量

Question

大家好，我正在寻找一种在每个单元格中存储向量的方法，这是示例数据集。

dt1 <- data.table(id = rep(1:2, each = 3), set.a = c(5,1,3,10,4,7))
dt1
   id set.a
1:  1     5
2:  1     1
3:  1     3
4:  2    10
5:  2     4
6:  2     7

现在我想要的是一种将 dt1 转换为如下内容的方法:

   id    set.a
1:  1    5,1,3
2:  2 10, 4, 7

这个问题可能很初级，但确实花了我将近一个小时。事实上，这是另一项工作的一部分。假设我有另一个数据集，如下所示:

dt2 <- data.table(id = rep(1:2, each = 3), set.b = c(3,5,9,8,10,4))
dt
   id set.b
1:  1     3
2:  1     5
3:  1     9
4:  2     8
5:  2    10
6:  2     4

我真正寻找的是如何计算每个 id 的重叠，即一个 overlap 变量来指示 set.a 和 的交集>set.b 按每个 id 看起来像

   id overlap
1:  1     5,3
2:  2   10, 4

为了实现这一点，我计划首先将每个 id 的 set 变量聚合为一个向量，然后计算它们的交集，但我未能在每个单元格中存储一个向量，就像我提到的那样一开始。有人可以帮我吗？提前致谢。

更新

我尝试了 akrun 和 Frank 的方式，发现 data.table 合并方式效率更高。这是一个小基准，谢谢你们俩:)

dt1 <- data.table(id = rep(1:10000, each = 10), set1 = sample(letters[1:24], 100000, replace = T))
dt2 <- data.table(id = rep(1:10000, each = 10), set2 = sample(letters[1:24], 100000, replace = T))

system.time({
re1 <- rbindlist(list(dt1, dt2), idcol=TRUE)[,
  .(overlap=toString(intersect(set1[.id==1], set1[.id==2]))) , by =id]
}) 
# 0.25s

system.time({
re2 <- dt1[dt2, on = c(id = "id", set1 = "set2"), nomatch = 0][, .(ovlp = list(unique(set1))), by = "id"]
})  
# 0.07s

system.time({
dt3 <- dt1[, .(set1 = list(set1)), by = id]
dt4 <- dt2[, .(set2 = list(set2)), by = id]
re3 <- dt3[dt4, nomatch = 0, on = "id"][, .(ov = list(intersect(unlist(set1), unlist(set2)))), by = id]
})  
# 0.21s

Answer 1

我们可以使用toString至paste “set.a”中的元素，按“id”变量分组。

dt1[, .(set.a=toString(set.a)), by = id]
#   id    set.a
#1:  1  5, 1, 3
#2:  2 10, 4, 7

对于第二种情况，我们rbind将两个数据集转换为单个数据集 ( rbindlist(list(...) ) 和 idcol=TRUE 。获取intersect .id 的“set.a” ，按“id”列和 paste 分组使用toString将元素组合在一起.

 rbindlist(list(dt1, dt2), idcol=TRUE)[,
   .(overlap=toString(intersect(set.a[.id==1], set.a[.id==2]))) , by =id]
#   id overlap
#1:  1    5, 3
#2:  2   10, 4

或者正如 @Richard Scriven 在评论中提到的，我们 paste duplicated 的元素在我们 rbind 之后的 'id' 列的 'set.a' 中两个数据集。

rbindlist(list(dt1, dt2))[,
    .(set.a = toString(set.a[duplicated(set.a)])), by = id]