使用出现最频繁的值交换data.table列

Question

我有数据

test = data.table(
  a = c(1,1,3,4,5,6), 
  b = c("a", "be", "a", "c", "d", "c"), 
  c = rep(1, 6)
)

我希望将列a的唯一值提取出来，并存储在另一个数据表中，然后用剩余列中最常见的值填充剩下的列，以使得我的结果数据表如下：

test2 = data.table(a = c(1,3,4,5,6), b = "a", c = 1)

该列包含相等数量的 "a" 和 "c"，但在这些情况下选择哪一个并不重要。

目前的尝试：

test2 = unique(test, by = "a")
test2[, c("b", "c") := lapply(.SD, FUN = function(x){test2[, .N, by = x][order(-N)][1,1]}), .SDcols = c("b", "c")]

编辑: 我更倾向于一个通用解决方案，与我指定要“唯一化”的列以及其余列使用单个最普遍值的函数兼容。因此，我使用了lapply和.SD =)

编辑2: 正如@MichaelChirico所指出的那样，我们如何保持类别（数据类型）。对于以下data.table中的解决方案中的一些解决方案不起作用，尽管@chinsoon12的解决方案起作用：

test = data.table(a = c(1,1,3,4,5,6), 
                  b = c("a", "be", "a", "c", "d", "c"), 
                  c = rep(1, 6),
                  d = as.Date("2019-01-01"))

- Berthrand Eros

Answer 1

另一种选择：

dtmode <- function(x) x[which.max(rowid(x))]
test[, .(A=unique(A), B=dtmode(B), C=dtmode(C))] 

数据：

test = data.table(
    A = c(1,1,3,4,5,6), 
    B = c("a", "be", "a", "c", "d", "c"), 
    C = rep(1, 6)
)

- chinsoon12

---

啊，这非常优雅，谢谢！我不知道rowid()。 - Berthrand Eros

Answer 2

这并不是一种规范的做法，但它可以实现目标。

test = data.frame(a = c(1,1,3,4,5,6), b = c("a", "be", "a", "c", "d", "c"), c = rep(1, 6))

a = unique(test$a)
b = tail(names(sort(table(test$b))), 1)
c = tail(names(sort(table(test$c))), 1)

test2 = cbind(a,b,c)

输出的结果如下：

> test2
     a   b   c  
[1,] "1" "c" "1"
[2,] "3" "c" "1"
[3,] "4" "c" "1"
[4,] "5" "c" "1"
[5,] "6" "c" "1"
> 

- aekiratli

---

谢谢您的帮助！不幸的是，这不是我要找的。我不想硬编码任何东西 =) - Berthrand Eros

@MichaelChirico：抱歉，那不是很清楚，我同意。我的意思是：1）一种解决方案，在该解决方案中，变量名称不会在代码中明确写出，例如第2、3和4行。2）一种可以适用于比我在示例中提到的更多列的解决方案，即我想要一个使用.SD + .SDcols的data.table解决方案。 - Berthrand Eros

Answer 3

@EmreKiratli非常接近我会做的事情：

test[ , c(
  list(a = unique(a)),
  lapply(.SD, function(x) as(tail(names(sort(table(x))), 1L), class(x)))
), .SDcols = !'a']

as(., class(x))这部分是因为在R中，names总是character类型，所以我们需要将其转换回x的原始类型。

如果您喜欢使用magrittr形式，可能会更好，因为它包含许多嵌套函数：

library(magrittr)
test[ , c(
  list(a = unique(a)),
  lapply(.SD, function(x) {
    table(x) %>% sort %>% names %>% tail(1L) %>% as(class(x))
  })
), .SDcols = !'a']

- MichaelChirico

---

非常感谢！关于类的观点非常好。当我们在data.table test中有一个日期列时，我们的代码实际上都不起作用。test = data.table(a = c(1,1,3,4,5,6), b = c("a", "be", "a", "c", "d", "c"), c = rep(1, 6), d = as.Date("2019-01-01")) - Berthrand Eros

Answer 4

我能够做出一个还不错的解决方案，但如果有人能更优雅地完成，例如不需要像下面在refLevel中排序列表这一步骤，那请告诉我！我非常有兴趣学习正确使用data.table！

#solution:
test = data.table(a = c(1,1,3,4,5,6), b = c("a", "be", "a", "c", "d", "c"), c = rep(1, 6))
test2 = unique(test, by="a")
funPrev = function(x){unlist(as.data.table(x)[, .N, by=x][order(-N)][1,1], use.names = F)}
refLevel = lapply(test[, c("b", "c")], funPrev)
test2[, c("b", "c") := refLevel]

...并使用一个函数（如果有人看到任何不必要的步骤，请让我知道）：

genData = function(dt, var_unique, vars_prev){

  data = copy(dt)
  data = unique(data, by = var_unique)

  funPrev = function(x){unlist(as.data.table(x)[, .N, by=x][order(-N)][1,1], use.names = F)}

  refLevel = lapply(dt[, .SD, .SDcols = vars_prev], funPrev)
  data[, (vars_prev) := refLevel] 

  return(data)
}
test2 = genData(test, "a", c("b", "c"))

- Berthrand Eros

Answer 5

这是另一种变体，可能不太复杂，但更易读。本质上是将chinsoon12的rowid方法推广到任意数量的列。同时保留类别信息。

test = data.table(a = c(1,1,3,4,5,6), 
                  b = c("a", "be", "a", "c", "d", "c"), 
                  c = rep(1, 6),
                  d = as.Date("2019-01-01"))
test2 = unique(test, by = "a")
for (col in setdiff(names(test2), "a")) test2[[col]] = test2[[col]][which.max(rowid(test2[[col]]))]

- Armali