我想计算数据表中的不同组别的摘要统计信息和执行不同的回归分析,并以“宽”格式呈现结果(即每个组别一行,有多列)。我可以分多步骤完成,但似乎应该能够一次性完成。
考虑这个“示例数据”:
计算三个结果、将它们连接再重命名列,这似乎效率不高。此外,我的实际表格相对较大,因此我希望确保不使用过多的系统内存。是否可能在一条"data.table"语句中完成所有操作?或者更一般地说,这是否可以更有效地完成?
我尝试了不同的方法。以下是一个失败的示例,它给出了中位数但忽略了回归系数:
考虑这个“示例数据”:
set.seed=46984
dt <- data.table(ID=c(rep('Frank',5),rep('Tony',5),rep('Ed',5)), y=rnorm(15), x=rnorm(15), z=rnorm(15),key="ID")
dt
# ID y x z
# 1: Ed 0.2129400 -0.3024061 0.845335632
# 2: Ed 0.4850342 -0.5159197 -0.087965415
# 3: Ed 1.8917489 1.7803220 0.760465271
# 4: Ed -0.4330460 -2.1720944 0.973812545
# 5: Ed 0.7685060 0.7947470 1.279761200
# 6: Frank 0.4978475 -0.2906851 0.568101004
# 7: Frank 0.6323386 -0.5596599 1.537133025
# 8: Frank -0.8243218 -0.4354885 0.057818033
# 9: Frank 1.2402488 0.3229422 0.005995249
#10: Frank 0.2436210 -0.2651422 0.349532173
#11: Tony 0.4179568 0.1418463 0.142380549
#12: Tony 0.7036613 0.4402572 0.141237901
#13: Tony -0.1978720 -0.9553784 0.480425820
#14: Tony -1.7269375 -0.1881292 0.370583351
#15: Tony 1.1064903 0.4375014 -0.798221750
假设我想按ID获取中位数、通过ID对y ~ x执行线性回归,以及通过ID对y ~ x + z执行线性回归。这里我得到了中位数:
dt.med <- dt[,list(y.med=median(y)),by=ID]
dt.med
# ID y.med
#1: Ed 0.4850342
#2: Frank 0.4978475
#3: Tony 0.4179568
感谢 @DWin 的这个答案,我在这里获取了两个由ID作为列而得到的回归系数集合:
dt.reg.1 <- dt[,as.list(coef(lm(y ~ x))), by=ID]
dt.reg.1
# ID (Intercept) x
#1: Ed 0.63057884 0.5482373
#2: Frank 0.69720351 1.3813007
#3: Tony 0.08588421 1.0179131
dt.reg.2 <- dt[,as.list(coef(lm(y ~ x + z))), by=ID]
dt.reg.2
# ID (Intercept) x z
#1: Ed 0.8262577 0.5587170 -0.2582699
#2: Frank 0.4317538 2.7221024 1.1807442
#3: Tony 0.1494439 0.3166547 -1.2029693
现在我需要将三个结果集联接起来,并重命名列:
dt.ans <- dt.med[dt.reg.1][dt.reg.2]
setnames(dt.ans,c("ID","y.med","reg.1.c0","reg.1.c1","reg.2.c0","reg.2.c1","reg.2.c2"))
最后,这是示例的期望输出:
dt.ans
# ID y.med reg.1.c0 reg.1.c1 reg.2.c0 reg.2.c1 reg.2.c2
#1: Ed 0.4850342 0.63057884 0.5482373 0.8262577 0.5587170 -0.2582699
#2: Frank 0.4978475 0.69720351 1.3813007 0.4317538 2.7221024 1.1807442
#3: Tony 0.4179568 0.08588421 1.0179131 0.1494439 0.3166547 -1.2029693
计算三个结果、将它们连接再重命名列,这似乎效率不高。此外,我的实际表格相对较大,因此我希望确保不使用过多的系统内存。是否可能在一条"data.table"语句中完成所有操作?或者更一般地说,这是否可以更有效地完成?
我尝试了不同的方法。以下是一个失败的示例,它给出了中位数但忽略了回归系数:
dt[,as.list(median(y),coef(lm(y ~ x))), by=ID]
# ID V1
#1: Ed 0.4850342
#2: Frank 0.4978475
#3: Tony 0.4179568
set.seed(#)
而不是set.seed=#
(这将改变你所有的数字) - eddi