使用R的data.table按照i表的属性进行分组

Question

我想在data.table的连接操作中同时使用i表格的多列进行计算和分组，但是目前语法好像有些限制。你能否建议更简洁的方法？

require(data.table)
set.seed(1)

表格1

DT1 <- data.table(loc = c("L1","L2"), product = c("P1","P2","P3"), qty = runif(12))

表格2

DT2 <- data.table(product = c("P1","P2","P3"), family = c("A","A","B"), price = c(5,7,10))

直接在表上进行连接是可以的：[这里没有问题，但要求在 on 子句中使用引号括起来的列名似乎对于 data.table 来说不太一致]

DT1[DT2, on = "product"]
#    loc product       qty family price
# 1:  L1      P1 0.1297134      A     5
# 2:  L2      P1 0.2423550      A     5
# 3:  L1      P1 0.3421633      A     5
# 4:  L2      P1 0.6537663      A     5
# 5:  L2      P2 0.9822407      A     7
# 6:  L1      P2 0.8568853      A     7
# 7:  L2      P2 0.7062672      A     7
# 8:  L1      P2 0.9224086      A     7
# 9:  L1      P3 0.8267184      B    10
#10:  L2      P3 0.8408788      B    10
#11:  L1      P3 0.6212432      B    10
#12:  L2      P3 0.5363538      B    10

可以使用两个表的列进行计算：

DT1[DT2, .(family, product, val = qty*price), on = "product"]
#    family product       val
# 1:      A      P1 0.6485671
# 2:      A      P1 1.2117750
# 3:      A      P1 1.7108164
# 4:      A      P1 3.2688313
# 5:      A      P2 6.8756851
# 6:      A      P2 5.9981971
# 7:      A      P2 4.9438704
# 8:      A      P2 6.4568599
# 9:      B      P3 8.2671841
#10:      B      P3 8.4087878
#11:      B      P3 6.2124323
#12:      B      P3 5.3635379

我可以在 .EACHI 上进行分组和聚合。

DT1[DT2,.(family, product, val = sum(qty*price)), on = "product", by = .EACHI]
#   product family product      val
#1:      P1      A      P1  6.83999
#2:      P2      A      P1 24.27461
#3:      P3      B      P1 28.25194

但不使用产品

DT1[DT2,.(family, product, val = sum(qty*price)), on = "product", by = product]
#Error in `[.data.table`(DT1, DT2, .(family, product, val = sum(qty * price)),  : 
#object 'price' not found

在这种情况下，它停止在i表上寻找价格。

在此情况下，.EACHI是可用的，因为“by”元素是DT2的唯一键。

然而，如果我想按DT2的属性分组，似乎无法使用.EACHI引用。我已经通过以下方式实现了我的目标：

DT1[DT2, .(family, product, val = qty*price), on = "product"][, .(sum(val)), by = family]
#   family       V1
#1:      A 31.11460
#2:      B 28.25194

这个双重处理是必要的吗？还是有其他语法可以在此情况下使用？

- sch56

---

如果您使用的不是.EACHI，那么您可能想要链接DT1[DT2, on="product"][,.(family, product, val = sum(qty*price)), by = product]。我认为它们应该将其扩展到其他by=选项，但我不确定这方面的功能请求在哪里提出。哦，也许是这个：https://github.com/Rdatatable/data.table/issues/733 - undefined

您也可以使用.符号代替引号，例如：DT1[DT2, on = .(product)]。 - undefined

Answer 1

我可以告诉你我在过去两家公司中如何在生产中使用R。我不使用DT1[DT2]语法进行连接，因为它对连接类型不明确，并且在结果中，DT1的列首先出现，但保留的是DT2的所有行，即右连接。错误地假设它是DT1在左侧的左连接导致了几个开发人员的生产错误。相反，我们现在要求开发人员明确指定inner、left、right或full join。因此，我们使用merge()代替。

DT1[DT2, .(family, product, val = qty*price), on = "product"][, .(sum(val)), by = family]
   family        V1
1:      A 20.053267
2:      B  9.928635

我会做。

merge(DT1, DT2, by='product', all.x=F, all.y=T)[,.(val = sum(qty*price)), family]
   family       val
1:      A 20.053267
2:      B  9.928635

PS：我也尝试了使用for(i in 1:20) DT1 = rbind(DT1,DT1)来使DT1变大2^20倍，即12,582,912行，并且在您的代码和我的代码的运行时间上没有找到任何显著差异。我的代码有几个相对较小的优点：连接类型是明确的，merge()对于data.frame用户来说更熟悉，并且更简洁。

- webb

Answer 2

出于几个原因，我不会使用这个过程来进行摘要。你可以使用 dplyr 或 plyr 来轻松地进行连接和摘要。就像这样：

require(data.table)
library(dplyr)
set.seed(1)

DT1 <- data.table(loc = c("L1","L2"), product = c("P1","P2","P3"), qty = runif(12))
DT2 <- data.table(product = c("P1","P2","P3"), family = c("A","A","B"), price = c(5,7,10))

DT1 %>% 
    left_join(DT2, by='product') %>% 
    mutate(val = qty*price) %>% 
    group_by(product, family) %>% 
    summarize(V1 = sum(val))

  product family    V1
  <chr>   <chr>  <dbl>
1 P1      A       10.9
2 P2      A       10.1
3 P3      B       22.8

希望能有所帮助。

- César Arquero Cabral

---

如果他正在使用data.table方法，提供dplyr解决方案是没有帮助的。 - undefined