在 data.table R 中使用 lapply .SD

Question

我不是很清楚.SD和by的用法。

例如，下面的代码片段是否表示：'change all the columns in DT to factor except A and B?' 它在 data.table 手册中也说：“.SD 指的是每个组的 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)]

不过，我还读到 by 的意思类似于 SQL 中的 'group by'，当您进行聚合时。例如，如果我想对除 A 和 B 之外的所有列求和（如 SQL 中的 colsum），我是否仍使用类似的东西？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？（求和并按 A,B 分组，如 SQL）

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

那么我如何对除 A 和 B 之外的所有列执行简单的 colsum？

Answer 1

为了举例说明上面的评论，我们以

为例

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：

#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“下面的片段是否...更改 DT...中的所有列...”

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

您提到要更改列类型

再次提到上面的一点，注意你的代码(DT[ , lapply(.SD, as.factor)]) returns a new data.table 并没有改变DT 完全没有。一种（不正确的）方法是用 base 中的 data.frames 完成，是用新的 [=覆盖旧的 data.table =14=] 你回来了，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，这可能会成为效率杀手。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)]，这不会创建数据副本。有关详细信息，请参阅 data.table's reference semantics vignette。

您提到比较 lapply(.SD, sum) 和 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）；要实际看到这一点，让我们加强您的 DT 和运行基准：

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

在 data.table R 中使用 lapply .SD

Use of lapply .SD in data.table R

r

data.table