rbindlist用于具有缺失水平的因子。

Question

我有几个data.tables需要进行rbindlist操作。这些表格包含了因素（factor），其中可能出现缺失的水平。然后，rbindlist(...)与do.call(rbind(...))的行为不同：

dt1 <- data.table(x=factor(c("a", "b"), levels=letters))

rbindlist(list(dt1, dt1))[,x] 
## [1] a b a b
## Levels: a b

do.call(rbind, list(dt1, dt1))[,x]
## [1] a b a b
## Levels: a b c d e f g h i j k l m n o p q r s t u v w x y z

如果我想保留这些级别，是必须使用rbind还是有data.table的方法呢？

- shadow

---

在调用 rbindlist 函数之前，您可以随时提取级别，然后再将它们放回去（参见这里）。但我认为您说得对，应该有一个 droplevels=TRUE 的参数。 - Justin

Answer 1

我猜更快是因为它没有检查。为什么不在绑定后设置级别？

    Dt <- rbindlist(list(dt1, dt1)) 
    setattr(Dt$x,"levels",letters)  ## set attribute without a copy

来自?setattr:

setattr()在许多情况下都很有用，可以通过引用设置属性，并且可以用于任何对象或对象的一部分，而不仅仅是data.tables。

- agstudy

---

谢谢。但是我实际使用这个的地方，我不知道级别。如果我有2个data.tables，我已经需要unique(unlist(lapply(list(dt1, dt2), function(dt) levels(dt[,x]))))来查找级别，我担心do.call(rbind, ...)版本可能会更快。 - shadow

@shadow 我猜只有在你有非常多的行和更多的因子水平时才会变慢，这种情况下我会问 - 有什么必要使用因子吗？如果我有一些在数据中反复使用且重复度很高的元素，我才会使用因子。 - eddi

就你的情况而言，如果你使用内部的 c.factor 函数，可以大大加快最后一步的速度：do.call(data.table:::c.factor, lapply(list(dt1, dt2), "[[", 'x'))。FWIW。 - eddi

Answer 2

感谢指出这个问题。从1.8.11版本开始，已经修复了这个问题：

dt1 <- data.table(x=factor(c("a", "b"), levels=letters))

rbindlist(list(dt1, dt1))[,x]
#[1] a b a b
#Levels: a b c d e f g h i j k l m n o p q r s t u v w x y z

- eddi