r - 在 data.table R 中使用 lapply .SD

Question

我不太清楚.SD和by的使用。

例如，下面的代码片段是否意味着:“将 DT 中的所有列更改为除 A 和 B 之外的因子？” data.table 手册中还提到:“.SD 指每个组的 data.table 的子集(不包括分组列) )"- 所以列 A 和 B 被排除在外？

DT = DT[ ,lapply(.SD, as.factor), by=.(A,B)]

但是，我还了解到，当进行聚合时，by 的意思类似于 SQL 中的“group by”。例如，如果我想对除 A 和 B 之外的所有列进行求和(如 SQL 中的 colsum)，我是否仍然使用类似的东西？或者在这种情况下，下面的代码是否意味着对 A 和 B 列中的值进行求和和分组？ (如 SQL 中那样，按 A,B 求和并分组)

DT[,lapply(.SD,sum),by=.(A,B)]

那么如何对除 A 和 B 之外的所有列进行简单的 colsum 呢？

Answer 1

为了用一个例子来说明上面的评论，让我们来看一下

set.seed(10238)
# A and B are the "id" variables within which the
#   "data" variables C and D vary meaningfully
DT = data.table(
  A = rep(1:3, each = 5L), 
  B = rep(1:5, 3L),
  C = sample(15L),
  D = sample(15L)
)
DT
#     A B  C  D
#  1: 1 1 14 11
#  2: 1 2  3  8
#  3: 1 3 15  1
#  4: 1 4  1 14
#  5: 1 5  5  9
#  6: 2 1  7 13
#  7: 2 2  2 12
#  8: 2 3  8  6
#  9: 2 4  9 15
# 10: 2 5  4  3
# 11: 3 1  6  5
# 12: 3 2 12 10
# 13: 3 3 10  4
# 14: 3 4 13  7
# 15: 3 5 11  2

比较以下内容:

#Sum all columns
DT[ , lapply(.SD, sum)]
#     A  B   C   D
# 1: 30 45 120 120

#Sum all columns EXCEPT A, grouping BY A
DT[ , lapply(.SD, sum), by = A]
#    A  B  C  D
# 1: 1 15 38 43
# 2: 2 15 30 49
# 3: 3 15 52 28

#Sum all columns EXCEPT A
DT[ , lapply(.SD, sum), .SDcols = !"A"]
#     B   C   D
# 1: 45 120 120

#Sum all columns EXCEPT A, grouping BY B
DT[ , lapply(.SD, sum), by = B, .SDcols = !"A"]
#    B  C  D
# 1: 1 27 29
# 2: 2 17 30
# 3: 3 33 11
# 4: 4 23 36
# 5: 5 20 14

一些注意事项:

• 您说“以下代码片段是否...更改 DT 中的所有列...”

答案是否，这对于data.table非常重要。返回的对象是一个new data.table，并且DT中的所有列都与运行代码之前完全相同。

• 您提到想要更改列类型

再次引用上面的观点，请注意您的代码 (DT[ , lapply(.SD, as.factor)]) 返回一个新 数据.table 并且根本不改变DT。执行此操作的一种(不正确)方法是使用 base 中的 data.frame 来完成，即覆盖旧的 data .table 与您返回的新 data.table，即 DT = DT[ , lapply(.SD, as.factor)]。

这是一种浪费，因为它涉及创建 DT 的副本，当 DT 很大时，这可能会成为效率 killer 。解决此问题的正确 data.table 方法是使用 `:=` 通过引用更新列，例如 DT[ , names(DT) := lapply(.SD, as.factor)]，它不会创建数据的副本。请参阅data.table's reference semantics vignette了解更多相关信息。

• 您提到比较 lapply(.SD, sum) 与 colSums 的效率。 sum 在 data.table 中进行了内部优化(您可以从在 中添加 verbose = TRUE 参数的输出中注意到这是正确的) []);要查看实际效果，让我们稍微增强一下 DT 并运行基准测试:

结果:

library(data.table)
set.seed(12039)
nn = 1e7; kk = seq(100L)
DT = setDT(replicate(26L, sample(kk, nn, TRUE), simplify=FALSE))
DT[ , LETTERS[1:2] := .(sample(100L, nn, TRUE), sample(100L, nn, TRUE))]

library(microbenchmark)
microbenchmark(
  times = 100L,
  colsums = colSums(DT[ , !c("A", "B")]),
  lapplys = DT[ , lapply(.SD, sum), .SDcols = !c("A", "B")]
)
# Unit: milliseconds
#     expr       min        lq      mean    median        uq       max neval
#  colsums 1624.2622 2020.9064 2028.9546 2034.3191 2049.9902 2140.8962   100
#  lapplys  246.5824  250.3753  252.9603  252.1586  254.8297  266.1771   100