如何在将data.table按多个列分组时保留输出中的列

Question

我将尝试“整理”一个大型数据集，其中包含多种类型的数据合并在列中，并且某些数据在列名中。这是生物数据集中常见的情况。

我的数据表格具有重复测量值，我想将其折叠成平均值。将数据转换为整洁格式后，这些重复值变为额外的行。如果我尝试按多个列进行聚合/分组并计算重复值的平均值：

collapsed.data <- tidy.dt[, mean(expression, na.rm = T), by=list(Sequence.window,Gene.names,ratio,enrichment.type,condition)]

我得到了一个结果表，只包含在by语句中使用的列，并且后面跟着mean(expression)作为列V1。是否可能也获取所有其他（未更改的）列？

以下是一个最简示例，显示我正在尝试实现的内容：

library(data.table)
dt <- data.table(a = c("a", "a", "b", "b", "c", "a", "c", "a"), b = rnorm(8), 
                 c = c(1,1,1,1,1,2,1,2), d = rep('x', 8), e = rep('test', 8))
dt[, mean(b), by = list(a, c)]
#   a c         V1
#1: a 1 -0.7597186
#2: b 1 -0.3001626
#3: c 1 -0.6893773
#4: a 2 -0.1589146

正如您所看到的，列 d 和 e 被删除了。

- posdef

---

请按照列表a和c进行分组，计算b的平均值，并返回d和e的前一行作为结果。代码示例：dt[,.(mean(b), head(d, 1), head(e, 1)), by=list(a,c)] - Sotos

这是因为 data.table 不知道你想获取哪些 d 和 e 的值，即对于每个 a 和 b 的组合，d 和 e 可能有多个可能的值。您需要明确指定您想要返回哪些值。 - David Arenburg

通常我会将想要保留的列添加到“by”参数中。 - BenBarnes

Answer 1

一种可能性是将d和e包含在分组中：

res <- dt[, mean(b), by = list(a, c, d, e)]
res
#   a c d    e         V1
#1: a 1 x test  0.9271986
#2: b 1 x test -0.3161799
#3: c 1 x test  1.3709635
#4: a 2 x test  0.1543337

如果你想保留所有列，除了你想聚合的那一列，你可以以更加程序化的方式来处理：

cols_to_group_by <- setdiff(colnames(dt), "b")
res <- dt[, mean(b), by = cols_to_group_by]

结果与上述相同。

这样，您已经减少了行数。如果您想保留所有行，可以添加一个额外的列：

dt[, mean_b := mean(b), by = list(a, c)]
dt
#   a          b c d    e     mean_b
#1: a  1.1127632 1 x test  0.9271986
#2: a  0.7416341 1 x test  0.9271986
#3: b  0.9040880 1 x test -0.3161799
#4: b -1.5364479 1 x test -0.3161799
#5: c  1.9846982 1 x test  1.3709635
#6: a  0.2615139 2 x test  0.1543337
#7: c  0.7572287 1 x test  1.3709635
#8: a  0.0471535 2 x test  0.1543337

在这里，dt是通过引用进行修改的，即不需要复制所有的dt，这可能会节省大量时间。

- Uwe