Использование lapply.SD в data.table R

Я не очень понимаю, как использовать .SD и by.

Например, означает ли следующий ниже фрагмент: "изменить все столбцы в DT на коэффициент, кроме A и B? ' Он также говорит в руководстве data.table:" .SD относится к подмножеству data.table для каждой группы (исключая столбцы группировки)" - поэтому столбцы A и B исключены?

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

Однако, я также читал, что by означает, что "group by" в SQL, когда вы выполняете агрегацию. Например, если я хотел бы суммировать (например, colsum в SQL) по всем столбцам, кроме A и B, я все еще использую нечто подобное? Или в этом случае, означает ли нижний код, чтобы взять сумму и группу по значениям в столбцах A и B? (возьмите сумму и группу через A,B, как в SQL)

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

Затем, как сделать простой colsum по всем столбцам, кроме A и B?

Ответы

Ответ 1

Чтобы проиллюстрировать вышеприведенные комментарии с примером, допустим

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 = 5), B = rep(1:5, 3),
                C = sample(15), D = sample(15))
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

Сравните следующее:

#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

Несколько примечаний:

  • Вы сказали: "делает нижеприведенный фрагмент... меняет все столбцы в DT ..."

Ответ - нет, и это очень важно для data.table. Возвращаемый объект представляет собой новый data.table, и все столбцы в DT точно такие же, как и перед запуском кода.

  • Вы упомянули о желании изменить типы столбцов
Обратите внимание, что ваш код (DT[ , lapply(.SD, as.factor)]) возвращает новый data.table и не меняет DT вообще. Один способ ( неправильный), который выполняется с помощью data.frame в base, заключается в замене старого data.table на новый data.table, который вы вернули, т.е. DT = DT[ , lapply(.SD, as.factor)].

Это расточительно, потому что это связано с созданием копий DT , которое может быть убийцей эффективности, когда DT велико. Правильный подход data.table к этой проблеме заключается в обновлении столбцов по ссылке с помощью `:=`, например, DT[ , names(DT) := lapply(.SD, as.factor)], который не создает копии ваших данных. Подробнее см. data.table ссылку на семантику vignette.

  • Вы упомянули, что эффективность lapply(.SD, sum) равна эффективности colSums. sum внутренне оптимизирован в data.table (вы можете заметить, что это верно в результате добавления аргумента verbose = TRUE в пределах []); чтобы увидеть это в действии, дайте немного увеличить бит DT и запустите тест:

Результаты:

library(data.table)
set.seed(12039)
nn = 1e7; kk = seq(100L)
DT = as.data.table(replicate(26, sample(kk, nn, T)))
DT[ , LETTERS[1:2] := .(sample(100, nn, T), sample(100, nn, T))]

library(microbenchmark)
microbenchmark(times = 100L,
               colsums = colSums(DT[ , !c("A", "B"), with = FALSE]),
               lapplys = DT[ , lapply(.SD, sum), .SDcols = !c("A", "B")])
# Unit: milliseconds
#     expr      min       lq     mean   median       uq      max neval
#  colsums 848.9310 886.6289 906.8105 896.7696 925.4353 997.0001   100
#  lapplys 144.5028 145.7165 154.4077 147.5586 153.2286 253.6726   100