使用data.table包重塑数据

Question

我几天前问了同样的问题（点击这里），但没有提到使用 data.table 得出结果会更好。

"聚合解决方案"可以正常工作，但速度较慢！我正在寻找一种更快的解决方法。

我想要重塑以下数据框：

df <- data.frame(x=c("p1","p1","p2"),y=c("a","b","a"),z=c(14,14,16))
df
   x y  z
1 p1 a 14
2 p1 b 14
3 p2 a 16

以便它看起来像这个样子：

df2 <- data.frame(x=c("p1","p2"),a=c(1,1),b=c(1,0),z=c(14,16))
   x a b  z
1 p1 1 1 14
2 p2 1 0 16

在数据框 df 中，变量 y 的元素应该被拆分成新的变量，并且每个变量都应该进行虚拟编码。所有其他变量（在这种情况下只有 z）对于每个人（p1、p2等）都是相同的。唯一一个变量，在其中特定的人 p 有不同值的是变量 y。

我希望这样做的原因是需要通过变量 x 将此数据集与其他数据集合并。事实上，它需要每个人（p1、p2等）一行。

- beginneR

---

我本应该考虑到“自包含方面”，但当我发布这个问题时，我没有考虑到。因为eddi已经发布了一种方法，所以我想我会将其保留。不过，感谢您的评论。 - beginneR

Answer 1

目前在data.table中转换成宽格式有点棘手，但我认为这个方法是可行的:

library(data.table)
dt = data.table(x=c("p1","p1","p2"),y=c("a","b","a"),z=c(14,14,16))

setkey(dt, x, y)
dt[CJ(unique(x), unique(y)), list(.N, z)][,
   setNames(as.list(c(N, z[!is.na(z)][1])), c(y, 'z')), by = x]
#    x a b  z
#1: p1 1 1 14
#2: p2 1 0 16

CJ部分通过所有唯一x和y的组合连接，然后在该连接中使用隐藏的by-without-by计算计数，通过.N。得到这些数据之后，只需将它们水平放置到每个x上，再加上任何非NA值的z（我选择第一个），并使用as.list完成。最后，setNames正确设置列名。

- eddi

---

@beginneR 解释已添加 - eddi

谢谢，这太棒了！但现在情况变得更加复杂了。如果还有另一个变量，比如y，例如z，其值也可能不同。是否有可能调整代码以适应这种情况？thelatemail使用Aggregate编辑了我在此处链接的问题的第一个答案，用于超过两列的情况。如果您的data.table解决方案也可以这样做，那就太完美了。请参阅我对“他”的答案在链接问题中的评论。（PS：抱歉链接到另一个问题） - beginneR

从我所看到的，另一个问题中的两个变量情况只是上述算法的两次独立运行 - 首先将键设置为“x”和“y”，然后将其设置为“x”和“z”，对于每种情况都执行上述操作，然后使用“cbind”合并结果。 - eddi

我得到了以下错误信息："对于每个组，j 的列数不相同"。但是这个错误与 cbind() 无关。当我尝试你的答案中的代码仅针对单个变量时，出现了问题。还没有弄清楚为什么这在我的数据上不起作用。你有什么想法吗？ - beginneR

@beginneR，这个错误意味着你的 by 参数在不同的值产生不同大小的 j-expressions 结果 - 尝试确定两个冲突的 by 值，然后你可能能够找出如何修复它；一种确定方法是在你的 j-expression 中添加一个 print 语句，这样你就能看到它在哪里中断了。 - eddi

我想我弄清楚了。我的行中所有值都相等，所以在您的第一次操作之后，我不仅有零和1值，还有“2”和“3”。我认为这就是问题所在。 - beginneR