假设我有一个data.table,例如:
library(data.table)
RRR <-data.table(1:15,runif(15),rgeom(15,0.5),rbinom(15,2,0.5))
V1 V2 V3 V4
1: 1 0.33577273 0 0
2: 2 0.66739739 2 1
3: 3 0.07501655 0 0
4: 4 0.43195663 2 1
5: 5 0.39525841 3 2
6: 6 0.15189738 1 1
7: 7 0.02637279 0 1
8: 8 0.44165623 0 1
9: 9 0.98710570 2 0
10: 10 0.62402805 1 0
11: 11 0.84829465 3 2
12: 12 0.02170976 0 1
13: 13 0.74608925 0 2
14: 14 0.29102296 2 0
15: 15 0.83820646 1 1
我该如何从中获取一个包含所有包含“0”(或某个值)的行的data.table呢?
如果只有一列,我可以使用以下代码:
RRR[V4==0,]
V1 V2 V3 V4
1: 1 0.33577273 0 0
2: 3 0.07501655 0 0
3: 9 0.98710570 2 0
4: 10 0.62402805 1 0
5: 14 0.29102296 2 0
但如果我想一次性处理所有列,因为我有很多列怎么办?
这种方法并不能满足我的需求。
RRR[,sapply(RRR,function(xx)(xx==0)), with=TRUE]
V1 V2 V3 V4
[1,] FALSE FALSE TRUE TRUE
[2,] FALSE FALSE FALSE FALSE
[3,] FALSE FALSE TRUE TRUE
[4,] FALSE FALSE FALSE FALSE
[5,] FALSE FALSE FALSE FALSE
[6,] FALSE FALSE FALSE FALSE
[7,] FALSE FALSE TRUE FALSE
[8,] FALSE FALSE TRUE FALSE
[9,] FALSE FALSE FALSE TRUE
[10,] FALSE FALSE FALSE TRUE
[11,] FALSE FALSE FALSE FALSE
[12,] FALSE FALSE TRUE FALSE
[13,] FALSE FALSE TRUE FALSE
[14,] FALSE FALSE FALSE TRUE
[15,] FALSE FALSE FALSE FALSE
也许可以用for循环和一些复杂的粘贴操作来实现?不过,我更喜欢使用简单的data.table语法。
同样地,如何获取包含任何行中的“0”的所有列的data.table?
我知道如何获取满足条件的列(整个列),比如是数值类型的。
RRR[,sapply(RRR,function(xx)is.numeric(xx)),with=FALSE]
但是如果我想逐个测试条件元素,则该方法无法工作。
如果有人感兴趣,这是使用您目前提供的不同解决方案对较大随机数据表进行系统时间(system.time())测试的结果,稍作修改。
set.seed(1)
n <- 1000000
RRR <- data.table(matrix(rgeom(100*n,0.5), ncol=100))
Getting ROWS
> RRR[RRR[,rowSums(RRR==0)>0]]
user system elapsed
2.72 0.55 3.27
> RRR[rowSums(RRR==0)>0]
user system elapsed
2.58 0.70 3.28
> RRR[apply(RRR,MAR=1,function(xx)any(xx==0))]
user system elapsed
10.81 0.19 11.00
> RRR[apply(RRR[,paste0('V',1:ncol(RRR)),with=FALSE],function(xx)any(xx==0),MAR=1)]
user system elapsed
10.49 0.30 10.83
Getting COLUMNS
> RRR[,sapply(RRR,function(xx)any(xx==0)), with=FALSE]
user system elapsed
0.81 0.31 1.12
> `[.listof`(RRR,colSums(RRR==0)>0)
user system elapsed
2.14 0.27 2.41
> RRR[,colSums(RRR==0)>0, with=FALSE]
user system elapsed
2.26 0.48 2.75
> RRR[, .SD, .SDcols=sapply(RRR, function(x) any(x==0))] #only version 1.9.5, seems the same solution than the first one.
user system elapsed
0.78 0.36 1.14
> RRR[, .SD, .SDcols=sapply(RRR, function(x) any(!as.logical(x)))]
user system elapsed
0.41 0.25 0.66
> RRR[Reduce('|',lapply(RRR,function(xx)(xx==0)))]
user system elapsed
3.11 0.33 3.44
> RRR[,apply(RRR[,paste0('V',1:ncol(RRR)),with=FALSE],function(xx)any(xx==0),MAR=2),with=FALSE]
user system elapsed
3.48 0.80 4.28
我还没有包含:
RRR[, i := any(unlist(lapply(.SD, function(x) x==0))), seq_len(nrow(RRR))][i==TRUE][,i:=NULL]
几分钟后我停止了它,并且它“标记”行而不是提取它们,这是最复杂的解决方案。 我会等待更快或更简单的解决方案,并听取您的意见和喜好。
sapply应该会更慢,但实际上它并没有变慢。如果data.table包含其他类型的数据,则结果可能会改变。
如果我们能在每行或每列中的第一次出现时停止测试(==0),我们可以加速它。但我想我们不能做到没有循环或某些低级访问或位运算。
我想出了一种新方法。
1. sapply(RRR,function(xx)which(xx==0)) 2. 我需要将a)的结果与列表的联合组合起来,但我不知道如何为任意数量的列执行此操作。 3. 然后获取那些行 RRR["a)"]
如果零的数量很大,我猜它会变得非常慢。
也许尝试RRR[unique(unlist(sapply(RRR,function(xx)which(xx==0))))],但它太慢了。
获取相反的选项是RRR[(RRR==0)] <- NA; na.omit(RRR)
as.logical
比==
更快。 - jangoreckimyrows1 <- RRR[RRR[,rowSums(RRR==0)>0],.I]
,myrows2 <- RRR[rowSums(RRR==0)>0,.I]
等等。您可以使用“identical”和“setdiff”函数进行比较。(在比较时间后使用“identical”似乎是相当标准的做法。) - Frankapply
在行选择方面比rowSums
慢(与列选择无关的sapply
)。测试方法是system.time(RRR[apply(RRR,1,function(x)any(!x))])
。我发现这需要6倍的时间才能完成system.time(RRR[rowSums(!RRR)>0] )
,所以他是正确的。 - Frank