r - 使用 data.table 按组选择第 n 个观察值和求和

Question

我想通过为 a 选择一组的最后一个观察值，将第一个表变成第二个表。和 b ，第一次观察 c ，对 d 的组的每个观察值求和和 e ，并为 f , 检查是否存在有效日期并使用该日期。

表格1:

ID   a    b    c        d        e          f
1   10  100 1000    10000   100000  ?
1   10  100 1001    10010   100100  5/07/1977
1   11  111 1002    10020   100200  5/07/1977
2   22  222 2000    20000   200000  6/02/1980
3   33  333 3000    30000   300000  20/12/1978
3   33  333 3001    30010   300100  ?
4   40  400 4000    40000   400000  ?
4   40  400 4001    40010   400100  ?
4   40  400 4002    40020   400200  7/06/1944
4   44  444 4003    40030   400300  ?
4   44  444 4004    40040   400400  ?
4   44  444 4005    40050   400500  ?
5   55  555 5000    50000   500000  31/05/1976
5   55  555 5001    50010   500100  31/05/1976

表 2:

ID   a    b    c         d        e          f
1   11  111 1000     30030   300300  5/07/1977
2   22  222 2000     20000   200000  6/02/1980
3   33  333 3000     60010   600100 20/12/1978
4   44  444 4000    240150  2401500  7/06/1944
5   55  555 5000    100010  1000100 31/05/1976

我查过 StackOverflow 的问题，我只看到了其中的元素。我可以通过以下步骤完成到 e。

library(data.table)

setwd('D:/Work/BRB/StackOverflow')

DT = data.table(fread('datatable.csv', header=TRUE))

AB = DT[ , .SD[.N], ID ]
AB = AB[ , c('a', 'b') ]

C = DT[ , .SD[1], ID ]
C = C[ , 'c' ]
DE = DT[ , .(d = sum(d), e = sum(e)) , by = ID ]

Final = cbind(AB, C, DE)
Final

我的问题是，我可以对变量 a进行操作吗？ , b , c , d , e在一次转换中而不必将其拆分为 3？

另外，我不知道该怎么做 f .有什么建议？

最后，我是 R 的新手。我还可以改进我的代码吗？

Answer 1

您可以改进以下几点:

fread将返回一个data.table，因此无需将其包装在data.table 中.您可以通过 class(DT) 查询.

使用 na.strings读入数据时的参数。请参阅下面的示例。

总结如下:

DT[, .(a = a[.N], 
       b = b[.N], 
       c = c[1], 
       d = sum(d), 
       e = sum(e), 
       f = unique(na.omit(f)))
   , by = ID]

然后你会得到:

   ID  a   b    c      d       e          f
1:  1 11 111 1000  30030  300300  5/07/1977
2:  2 22 222 2000  20000  200000  6/02/1980
3:  3 33 333 3000  60010  600100 20/12/1978
4:  4 44 444 4000 240150 2401500  7/06/1944
5:  5 55 555 5000 100010 1000100 31/05/1976

一些解释和其他注意事项:

使用 [1] 进行子集化会给你一个组的第一个值。您也可以使用 first -在中优化的功能数据表 ，从而更快。

使用 [.N] 进行子集化会给你一个组的最后一个值。您也可以使用 last -在中优化的功能数据表 ，从而更快。

不要使用在 R 中也是函数的变量名(在这种情况下，不要使用 c 作为变量名)。另见 ?c解释什么是 c - 功能。

用于总结 f -变量，我用了 unique结合 na.omit .如果 ID 有多个唯一日期，您也可以使用例如 na.omit(f)[1] .

如果速度是一个问题，您可以将上述优化为(感谢@Frank):

DT[order(f)
   , .(a = last(a), 
       b = last(b), 
       c = first(c), 
       d = sum(d), 
       e = sum(e), 
       f = first(f))
   , by = ID]

订购方式 f会放 NA -值最后。因此，现在内部 GForce 优化用于所有计算。

使用数据:

DT <- fread("ID   a    b    c        d        e          f
             1   10  100 1000    10000   100000  ?
             1   10  100 1001    10010   100100  5/07/1977
             1   11  111 1002    10020   100200  5/07/1977
             2   22  222 2000    20000   200000  6/02/1980
             3   33  333 3000    30000   300000  20/12/1978
             3   33  333 3001    30010   300100  ?
             4   40  400 4000    40000   400000  ?
             4   40  400 4001    40010   400100  ?
             4   40  400 4002    40020   400200  7/06/1944
             4   44  444 4003    40030   400300  ?
             4   44  444 4004    40040   400400  ?
             4   44  444 4005    40050   400500  ?
             5   55  555 5000    50000   500000  31/05/1976
             5   55  555 5001    50010   500100  31/05/1976", na.strings='?')