r - 为通过引用替换的 data.tables 编写高效函数

Question

我有一个 data.table，其中包含多个二进制列，这些列具有我想在一次操作中重新编码的相同值。我修改了一个最初为 data.frames 编写的函数，但我不确定我是否真的通过修改它的方式利用了 data.table 的速度:具体来说，我怀疑该函数可能仍在复制值。

如何确保函数通过引用替换值？

这是一个玩具数据集:

# Example data:
id <- c(1,2,3,4,5)
fruit <- c("apple", "orange", "banana", "strawbery", "rasberry")
mydate <- c("2015-09-01", "2015-09-02", "2015-11-15", "2016-02-24", "2016-03-08")
eaten <- c("y", "y", "n", "y", "u")
present <- c("n", "n", "y", "y", "y")

dt <- data.table(id, fruit, mydate, eaten, present)
dt[, mydate := as.Date(mydate, format = "%Y-%m-%d")]
dt[, sex := c("m", "f", "f", "m", "f")]

# Columns to update:
bincols <- c("eaten", "present")

在重新编码之前，数据看起来是这样的:

> dt
   id     fruit     mydate eaten present sex
1:  1     apple 2015-09-01     y       n   m
2:  2    orange 2015-09-02     y       n   f
3:  3    banana 2015-11-15     n       y   f
4:  4 strawbery 2016-02-24     y       y   m
5:  5  rasberry 2016-03-08     u       y   f

函数如下:

recode.multi <- function(datacols, oldval, newval) {
  for (i in 1:length(datacols)) {
    datacols[datacols == oldval[i]] = newval[i]
  }
  datacols
}

...应用于数据:

dt[, (bincols) := lapply(.SD, recode.multi, oldval = c("u", "n", "y"), newval = c(NA_real_, 0, 1)), .SDcols = bincols]

... 和输出，它根据需要更新值但不确定在此过程中是否正在复制列？

> dt
   id     fruit     mydate eaten present sex
1:  1     apple 2015-09-01     1       0   m
2:  2    orange 2015-09-02     1       0   f
3:  3    banana 2015-11-15     0       1   f
4:  4 strawbery 2016-02-24     1       1   m
5:  5  rasberry 2016-03-08    NA       1   f

我尝试将函数中的最后一个“=”更改为“:=”，但在检查“datacols”是否为 data.table 时出现错误。在函数中添加一个子句以检查 is.data.table == TRUE 是否没有解决问题(返回相同的错误)。

任何关于最适合 data.table 的方法来处理此功能的任何想法都将不胜感激。

Answer 1

这与 Frank 的类似，但将参数传递给构建翻译向量并返回翻译的函数。您不需要在函数内部执行循环，因为 lapply、:= 和 .SDcols 函数正在执行内部循环 [.data .table.

recode_dt <- function(datacol, oldval, newval) 
    { trans <- setNames(newval, oldval)
     trans[ datacol ]   }

dt[, (bincols) := lapply(.SD, recode_dt, oldval = c("u", "n", "y"), 
                                         newval = c(NA_real_, 0, 1)), 
     .SDcols = bincols]
dt
#===============
   id     fruit     mydate eaten present sex
1:  1     apple 2015-09-01     1       0   m
2:  2    orange 2015-09-02     1       0   f
3:  3    banana 2015-11-15     0       1   f
4:  4 strawbery 2016-02-24     1       1   m
5:  5  rasberry 2016-03-08    NA       1   f

请注意，您的列实际上并不是您从评论中想到的那样的因素。如果您构建了一个 data.frame 作为中间步骤，它们可能已经存在。