data.table进阶

Posted 2020-10-11 学而不思则罔，思而不学则殆

 

上一篇讲述了data.table数据分析的一些基本方法，但是最近在用作数据分析时，发现在面对一些复杂场景时，这些基本的用法已经不能满足业务需求了，所以此篇就介绍data.table更进一步的用法。

先构建一个数据集，用于测试

name1 <- c("Bob","Mary","Jane","Kim")
weight <- c(60,65,45,55)
height <- c(170,165,140,135)
birth <- c("1990-1","1980-2","1995-5","1996-4")
accept <- c("no","ok","ok","no")
library(data.table)
ndt <- data.table(name1,weight,height,accept) 

　　设置key还有另外一个函数setkeyv

先去掉现有key

haskey(ndt)
key(ndt)
setkey(ndt,NULL)

　

by=.EACHI参数

by=.EACHI允许按每一个已知i的子集分组，在使用by=.EACHI时需要设置键值 ， 必须设置i

 

.SD参数

.SD是一个data.table，他包含了各个分组，除了by中的变量的所有元素。.SD只能在位置j中使用

SDcols

.SDcols常于.SD用在一起，他可以指定.SD中所包含的列，也就是对.SD取子集

 

  1. 宽数据 -> 长数据 - melt() in reshape2包

        anthoming数据集如下所示：

        其中expt和ctrl两列可以合并为一列。合并后的数据框相对合并前的叫长数据，而合并前的数据框相对合并后的数据叫宽数据，是不是很贴切呢？

        如下R语言代码使用melt函数将上述数据集"拉长"：

1 2	# melt函数：首参选定数据框，次参选定记录标识列，variable.name选定拉长后的属性名列，value.name选定拉长后的属性值列 melt(anthoming, id.vars = "angle", variable.name = "condition", value.name = "count")

        拉长后的效果：

        2. 长数据 -> 宽数据 - dcast() in reshape2包

        plum数据集如下所示：

        该数据框中length列和time列作为标识列， 如下R语言代码可将该数据框压扁：

1 2	# dcast函数：首参选定数据框，次参选定记录标识列和新的属性名列，value.var选定被拉长的属性值列 dcast(plum, length + time ~ survival, value.var = "count")

        压扁后的效果：

 

下面介绍下data.table包的melt 和 dcast，和reshape2相比大部分参数都相同但是data.table不仅运行速度更快，而且增加了一些reshape2包没有的功能，melt和dcast函数都有改进。

# data.table包中的melt函数
melt(data, id.vars, measure.vars, 
    variable.name = "variable", value.name = "value", 
    ..., na.rm = FALSE, variable.factor = TRUE, 
    value.factor = FALSE, 
    verbose = getOption("datatable.verbose"))

测试数据：

 melt

同样使用了measure.vars参数来控制要被融合的列　

注意到参数明明是id.vars, measure.vars,为什么我使用时就用了id和measure，这是参数的模糊匹配功能，只要提取前面的字符，不会发生歧义，就能代表这个参数，这里可以看到data.table的优势，可以模糊匹配，很方便。

如果用reshape2 包，那么只能

 

 

 融合之后得到一列自动命名为variable和value，如果我想自己指定名字，就使用variable.name和value.name两个参数，在这个功能上，两个包没有区别。

 

cast

# data.table中的函数
dcast(data, formula, fun.aggregate = NULL, sep = "_", 
    ..., margins = NULL, subset = NULL, fill = NULL, 
    drop = TRUE, value.var = guess(data),
    verbose = getOption("datatable.verbose"))

两个包相同的参数margins/fill/drop/subset，相同的使用方法

• margins=T或者字符串向量，可以对得到的矩阵的每行每列在使用该函数计算
• fill当遇到缺失值时如何填充问题
• drop是否要去除掉不匹配的行,即全是NA的行
• subset提取结果的一部分进行展示

测试数据：

DT <- data.table(v1 = rep(1:2, each = 6),
                 v2 = rep(rep(1:3, 2), each = 2),
                 v3 = factor(rep(c(1,3),6),levels=1:3),
                 v4 = rnorm(6))

　　

 

# drop 参数
# v3因子型，2没有出现过，在融合时还会与其他列进行匹配，就会出现一行全是NA的情况

 

 

value.var参数
每次输出结果时都会打印出如今选用的作为value的列是什么，我们如果想要自己指定哪一列作为value，就要用value.var参数

　

data.table特有

dcast(DT,v1~v3,mean,value.var=c("v4","v2")) # v3中的元素分别和v2和v4组合，生成四列
dcast(DT,v1~v3,fun=list(sum, mean),value.var="v2") # 同时使用两种计算函数生成四列
dcast(DT,v1~v3,fun=list(sum, mean),value.var=c("v4","v2")) # 二者结合，生成8列
dcast(DT,v1~v3,fun=list(sum, mean),value.var=list("v4","v2")) # v4的使用sum,v2的使用mean，生成4列

　　

本文部分借鉴加以实践~~~~~~~~~~~~

R数据处理