r - 在 R 中数据表的 by= 调用中循环编号变量

Question

这很可能是愚蠢的事情，但我找不到以下问题的(非详尽的)解决方法:

让我们设置:

data<-data.table(id=c("a","a","a","b","b"),
                 x1=1:5,
                 x2=6:10,
                 x3=11:15)

我想要根据“id”分组的每个列变量的平均值，然后将它们作为变量附加到数据集。当然，有了这么少，我们可以使用语法:

means1<-data[,mean(x1),by=id]

类似地，对于 x2、x3，可以得到:

   id x1 x2 x3  V1 V1.1 V1.2
1:  a  1  6 11 2.0  7.0 12.0
2:  a  2  7 12 2.0  7.0 12.0
3:  a  3  8 13 2.0  7.0 12.0
4:  b  4  9 14 4.5  9.5 14.5
5:  b  5 10 15 4.5  9.5 14.5

但是，对于更大的集合，我们很想循环。这是我首先尝试的:

for(nn in 1:3){
   data<-data[data[,mean(paste("x",nn,sep="")),by=id]]
}

但这失败了，我猜是因为即使通常允许字符串来标识列名，平均函数也会尝试在外部运算符之前进行操作:

Warning messages:
1: In `[.data.table`(data, , mean(paste("x", nn, sep = "")), by = id) :
  argument is not numeric or logical: returning NA

所以，下一次尝试:

for(nn in 1:3){
   data<-data[data[,mean(data[[paste("x",nn,sep="")]]),by=id]]
}

但是，这也会失败，同样是因为均值首先起作用。 (更不用说对于习惯在 STATA 中执行类似操作的任何人来说，该语法是值得畏缩的)因此，我们最终得到为每个 id 值分配的每个 x 的总体平均值:

   id x1 x2 x3 V1 V1.1 V1.2
1:  a  1  6 11  3    8   13
2:  a  2  7 12  3    8   13
3:  a  3  8 13  3    8   13
4:  b  4  9 14  3    8   13
5:  b  5 10 15  3    8   13

那么，我们如何在循环中执行这个简单的任务？

这样的语法在类似的调用中对我有用，例如:

for(nn in 1:3){
   data[,paste("x_greater_than_4_",nn,sep=""):=(data[[paste("x",nn,sep="")]]>4)]
}

产生我所期望的结果:

   id x1 x2 x3 x_greater_than_4_1 x_greater_than_4_2 x_greater_than_4_3
1:  a  1  6 11              FALSE               TRUE               TRUE
2:  a  2  7 12              FALSE               TRUE               TRUE
3:  a  3  8 13              FALSE               TRUE               TRUE
4:  b  4  9 14              FALSE               TRUE               TRUE
5:  b  5 10 15               TRUE               TRUE               TRUE

Answer 1

我首先使用 setkey 设置一个键，然后在 j 表达式中使用 lapply 并自连接结果。您可以在 lapply 中使用 .SD 以及关联的 .SDcols 按数字位置指定列。像这样:

setkey( data , id )
data[ data[ , lapply( .SD , mean ) , keyby = id , .SDcols = 2:4 ] ]
#   id x1 x2 x3 x1.1 x2.1 x3.1
#1:  a  1  6 11  2.0  7.0 12.0
#2:  a  2  7 12  2.0  7.0 12.0
#3:  a  3  8 13  2.0  7.0 12.0
#4:  b  4  9 14  4.5  9.5 14.5
#5:  b  5 10 15  4.5  9.5 14.5

# If you just want the group means use this:
data[ ,  lapply( .SD , mean ), by = id , .SDcols = 2:4 ]

<小时/>

或者，您可以将 := 与 by 一起使用，如下所示，这也可以避免连接:

sd_cols = c("x1", "x2", "x3")
data[, c(paste0("v", 1:3)) := lapply(.SD, mean), by=id, .SDcols=sd_cols]

#    id x1 x2 x3  v1  v2   v3
# 1:  a  1  6 11 2.0 7.0 12.0
# 2:  a  2  7 12 2.0 7.0 12.0
# 3:  a  3  8 13 2.0 7.0 12.0
# 4:  b  4  9 14 4.5 9.5 14.5
# 5:  b  5 10 15 4.5 9.5 14.5