r - 如何在data.table中动态使用lapply？

Question

我有一个看起来像

的数据集

set.seed(18)
library(data.table)
site1 <- data.table(id = 1:10, A = c(sample(c(NA, letters[1:10]),10)), 
                    B = sample(c(NA, LETTERS[1:7]), 10, replace = T),
                    C = sample(c(NA, 1:4), 10, replace = T))

site2 <- data.table(id = c(1:4, sample(5:15, 6)), 
                    A = c(NA, NA, NA, sample(letters, 1), NA, NA, NA, sample(letters, 1), NA, NA), 
                    B = sample(LETTERS, 10), d = sample(1:5, replace = T))

和一个看起来像

的函数

col.smash <- function(a, b, linkvars){
  require(data.table)
  
  ##### CONVERT TO DATA.TABLES FOR EASIER USE, AND MERGE
  if(dim(a)[1] <= dim(b)[1]){
    c <- data.table(a); setkeyv(c, linkvars)
    d <- data.table(b); setkeyv(d, linkvars)
  } else {
    c <- data.table(b); setkeyv(c, linkvars)
    d <- data.table(a); setkeyv(d, linkvars)
  }
 
  k <- c[d]
  
  rep.list<- names(a)[names(a) %in% names(b) & !(names(a) %in% linkvars)]
  i.combo <- paste0("i.",rep.list)

  f <- k[ , (rep.list) := lapply(.SD, function(x){ifelse(is.na(x), 
                                                   get("i.", names(x)), x)}), 
          .SDcols = rep.list]
  return(f)
  }

此函数的目标是查看 site1 和 site2 中有哪些变量，如果其中有“NA”，假设 site1$A，替换为site2$A中对应的值。 site1 位于 site2 之上，这就是 ifelse 语句仅检查一个带有“NA”的变量的原因。

我在 lapply 函数中遇到错误，因为第一个 ifelse 结果 (get("i.",names(x)))，条件未正常工作后。这样做时，我收到以下错误:

Error in as.environment(pos) : using 'as.environment(NULL)' is defunct

我不明白。理想情况下，我会得到一个 data.table，其中包含 site1 和 site2 中的所有值以及变量 A， B、C、D 而不是 i.A、i.B 这样的，

    id  A  B  C  d
 1:  1  i  E NA  4
 2:  2  g  F NA  4
 3:  3  h NA  4  1
 4:  4  x  B  4  2
 5:  5  j  G NA  NA
 6:  6  c NA  3  4
 7:  7  a  D  2  NA
 8:  8  b NA  2  NA
 9:  9  d  G  1  4
10: 10  f NA  1  NA
11: 12 NA  V NA  2
12: 13  n  J NA  1
13: 14 NA  T NA  1
14: 15 NA  X NA  1

所以我觉得我真的有两个问题。第一个是错误，第二个是我没有在我的函数中获取 k 中的所有行。他们似乎没有关系。

感谢任何帮助。

另外，谁能找出incredible col.smash 引用，谁就能得到加分。

Answer 1

This function's goal is to see what variables are in both site1 and site2 and if there is an "NA" in, lets say site1$A, replace it with the corresponding value in site2$A. There is a hierarchy of site1 over site2

输出可以是这样的

g <- function(d1, d2, byvars){
  D = funion(d1[, ..byvars], d2[, ..byvars])

  d2vars = setdiff(names(d2), byvars)
  D[d2, on=byvars, (d2vars) := mget(sprintf("i.%s", d2vars))]

  d1vars = setdiff(names(d1), byvars)
  D[d1, on=byvars, (d1vars) := mget(sprintf("i.%s", d1vars))]  

  setcolorder(D, c(byvars, d1vars, setdiff(d2vars, d1vars)))
  setorderv(D, byvars)[]
}

g(site1, site2, "id")

给出

    id  A  B  C  d
 1:  1  i  E NA  4
 2:  2  g  F NA  4
 3:  3  h NA  4  1
 4:  4 NA  B  4  2
 5:  5  j  G NA NA
 6:  6  c NA  3  4
 7:  7  a  D  2 NA
 8:  8  b NA  2 NA
 9:  9  d  G  1  4
10: 10  f NA  1 NA
11: 12 NA  V NA  2
12: 13  n  J NA  1
13: 14 NA  T NA  1
14: 15 NA  X NA  1

---

工作原理

byvars 参数允许列名向量。

相当新的 .. 语法允许引用存储在 data.table 之外的列的索引。我查看了常见问题解答和 ?data.table，但找不到任何文档。现在，它是 the first changelog item in 1.10.2 at least .

为了提供“site1 高于 site2 的层次结构”，我们首先从 site2 添加，然后从 site1 添加，因此它得到最后的编辑。

funion 的使用假定每个表中没有重复项。如果有，则需要对该步骤采取更复杂的方法，可能类似于

D = rbind(d1[, ..byvars], d2[,..byvars][!d1, on=byvars])