Ответ 1
Для изменения конфигурации data.table попробуйте следующее:
dt[, list(variable = names(.SD), value = unlist(.SD, use.names = F)), by = uid]
Стоимость синтаксиса стоит того; функция работает очень быстро!
Поворот на data.table, аналогичный функции расплава rehape
Я прочитал некоторые ссылки на подобные проблемы здесь, на SO, но еще не смог найти решение и задался вопросом, есть ли способ сделать следующее, используя только data.table.
Я использую упрощенный пример, но на практике моя таблица данных содержит > 1000 столбцов, похожих на var1, var2,... var1000 и т.д.
dt <- data.table(uid=c("a","b"), var1=c(1,2), var2=c(100,200))
Я ищу решение, которое позволит мне получить результат, похожий на функцию изменения формы расплава -
> melt(dt, id=c("uid"))
uid variable value
1 a var1 1
2 b var1 2
3 a var2 100
4 b var2 200
То есть все столбцы, кроме uid, перечислены под одним столбцом с соответствующими значениями в соседнем столбце. Я пробовал это с помощью комбинации списка и т.д., Но может отсутствовать что-то, что очевидно.
Все uid в dt уникальны.
Спасибо заранее.
Ответы
Ответ 2
stack обычно превосходит melt.
Прямым подходом к этой проблеме с stack будет:
dt[, stack(.SD), by = "uid"]
Конечно, при необходимости вы можете указать .SDcols. И затем используйте setnames(), чтобы изменить имена на все, что вы хотите.
(Предупреждение о саморекламе)
Я написал некоторые функции и поместил их в пакет под названием "splitstackshape". Одна из функций называется Stacked() и в версии 1.2.0 пакета splitstackshape, должен работать очень быстро.
Это немного отличается от простого укладки всех оставшихся столбцов в data.table. Он более похож на основание R reshape(), чем melt(), из "reshape2". Вот пример Stacked() в действии.
Я создал прилично большой data.table для этого теста. Есть 50 числовых столбцов, которые мы хотим уложить, и 50 столбцов факторов, которые мы хотим сшить. Я также оптимизировал @Andreas ответ.
Данные
set.seed(1)
m1 <- matrix(rnorm(10000*50), ncol = 50)
m2 <- matrix(sample(LETTERS, 10000*50, replace = TRUE), ncol = 50)
colnames(m1) <- paste("varA", sprintf("%02d", 1:50), sep = "_")
colnames(m2) <- paste("varB", sprintf("%02d", 1:50), sep = "_")
dt <- data.table(uid = 1:10000, m1, m2)
Функции для бенчмаркинга
test1 <- function() Stacked(dt, "uid", c("varA", "varB"), "_")
## merged.stack
test2 <- function() merged.stack(dt, "uid", c("varA", "varB"), "_")
## unlist(..., use.names = TRUE) -- OPTIMIZED
test3 <- function() {
list(cbind(dt[, "uid", with = FALSE],
dt[, list(variable = rep(names(.SD), each = nrow(dt)),
value = unlist(.SD)),
.SDcols = 2:51]),
cbind(dt[, "uid", with = FALSE],
dt[, list(variable = rep(names(.SD), each = nrow(dt)),
value = unlist(.SD)),
.SDcols = 52:101]))
}
## unlist(..., use.names = FALSE) -- OPTIMIZED
test4 <- function() {
list(cbind(dt[, "uid", with = FALSE],
dt[, list(variable = rep(names(.SD), each = nrow(dt)),
value = unlist(.SD, use.names = FALSE)),
.SDcols = 2:51]),
cbind(dt[, "uid", with = FALSE],
dt[, list(variable = rep(names(.SD), each = nrow(dt)),
value = unlist(.SD, use.names = FALSE)),
.SDcols = 52:101]))
}
## Andreas current answer
test5 <- function() {
list(dt[, list(variable = names(.SD),
value = unlist(.SD, use.names = FALSE)),
by = uid, .SDcols = 2:51],
dt[, list(variable = names(.SD),
value = unlist(.SD, use.names = FALSE)),
by = uid, .SDcols = 52:101])
}
Результаты
library(microbenchmark)
microbenchmark(Stacked = test1(), merged.stack = test2(),
unlist.namesT = test3(), unlist.namesF = test4(),
AndreasAns = test5(), times = 3)
# Unit: milliseconds
# expr min lq median uq max neval
# Stacked 391.3251 393.0976 394.8702 421.4185 447.9668 3
# merged.stack 764.3071 769.6935 775.0799 867.2638 959.4477 3
# unlist.namesT 1680.0610 1761.9701 1843.8791 1881.9722 1920.0653 3
# unlist.namesF 215.0827 242.7748 270.4669 270.6944 270.9218 3
# AndreasAns 16193.5084 16249.5797 16305.6510 16793.3832 17281.1154 3
^^ Я не знаю, почему сейчас настало время для ответа Андреаса. "Оптимизация", которую я делал, была в основном unlist без использования by, что сильно повлияло на столбцы "varB" (factor).
Ручной подход все еще быстрее, чем функции из "splitstackshape", но это миллисекунды, о которых мы говорим, и некоторые довольно компактные однострочные коды!
Пример вывода
Для справки, вот что выглядит вывод Stacked(). Это a list "stacked" data.table s, один элемент списка для каждой сложной переменной.
test1()
# $varA
# uid .time_1 varA
# 1: 1 01 -0.6264538
# 2: 1 02 -0.8043316
# 3: 1 03 0.2353485
# 4: 1 04 0.6179223
# 5: 1 05 -0.2212571
# ---
# 499996: 10000 46 -0.6859073
# 499997: 10000 47 -0.9763478
# 499998: 10000 48 0.6579464
# 499999: 10000 49 0.7741840
# 500000: 10000 50 0.5195232
#
# $varB
# uid .time_1 varB
# 1: 1 01 D
# 2: 1 02 A
# 3: 1 03 S
# 4: 1 04 L
# 5: 1 05 T
# ---
# 499996: 10000 46 A
# 499997: 10000 47 W
# 499998: 10000 48 H
# 499999: 10000 49 U
# 500000: 10000 50 W
И вот, как выглядит вывод merged.stack. Это похоже на то, что вы получите, когда используете reshape(..., direction = "long") из базы R.
test2()
# uid .time_1 varA varB
# 1: 1 01 -0.6264538 D
# 2: 1 02 -0.8043316 A
# 3: 1 03 0.2353485 S
# 4: 1 04 0.6179223 L
# 5: 1 05 -0.2212571 T
# ---
# 499996: 10000 46 -0.6859073 A
# 499997: 10000 47 -0.9763478 W
# 499998: 10000 48 0.6579464 H
# 499999: 10000 49 0.7741840 U
# 500000: 10000 50 0.5195232 W
Ответ 3
Бесстыдная самореклама
Возможно, вы захотите попробовать melt_ из моего пакета Kmisc. melt_ - это, по сути, переписывание reshape2:::melt.data.frame с большей частью работы grunt, выполненной на C, и позволяет избежать как можно большего количества копий и типов принуждения для быстрой реализации.
Пример:
## devtools::install_github("Kmisc", "kevinushey")
library(Kmisc)
library(reshape2)
library(microbenchmark)
n <- 1E6
big_df <- data.frame( stringsAsFactors=FALSE,
x=sample(letters, n, TRUE),
y=sample(LETTERS, n, TRUE),
za=rnorm(n),
zb=rnorm(n),
zc=rnorm(n)
)
all.equal(
melt <- melt(big_df, id.vars=c('x', 'y')),
melt_ <- melt_(big_df, id.vars=c('x', 'y'))
)
## we don't convert the 'variable' column to factor by default
## if we do, we see they're identical
melt_$variable <- factor(melt_$variable)
stopifnot( identical(melt, melt_) )
microbenchmark( times=5,
melt=melt(big_df, id.vars=c('x', 'y')),
melt_=melt_(big_df, id.vars=c('x', 'y'))
)
дает мне
Unit: milliseconds
expr min lq median uq max neval
melt 916.40436 931.60031 999.03877 1102.31090 1160.3598 5
melt_ 61.59921 78.08768 90.90615 94.52041 182.0879 5
В любом случае это будет достаточно быстро для ваших данных.