data.table和表意外行为

Question

数据来自我正在玩的另一个问题:

dt <- data.table(user=c(rep(3, 5), rep(4, 5)),
                 country=c(rep(1,4),rep(2,6)),
                 event=1:10, key="user")
#    user country event
#1:     3       1     1
#2:     3       1     2
#3:     3       1     3
#4:     3       1     4
#5:     3       2     5
#6:     4       2     6
#7:     4       2     7
#8:     4       2     8
#9:     4       2     9
#10:    4       2    10

这是令人惊讶的行为:

dt[user == 3, as.data.frame(table(country))]
#  country Freq
#1       1    4
#2       2    1

dt[user == 4, as.data.frame(table(country))]
#  country Freq
#1       2    5

dt[, as.data.frame(table(country)), by = user]
#   user country Freq
#1:    3       1    4
#2:    3       2    1
#3:    4       1    5
#             ^^^ - why is this 1 instead of 2?!

谢谢mnel和Victor K.自然的后续行动是 - 不应该是2,这是一个错误吗？我期望

dt[, blah, by = user]

返回相同的结果

rbind(dt[user == 3, blah], dt[user == 4, blah])

这种期望是不正确的？

Answer 1

惯用的data.table方法是使用.N

 dt[ , .N, by = list(user, country)]

这将更快,它也将保留国家与原始国家相同的级别.

Answer 2

如mnel注释中所述,as.data.frame(table(...))生成一个数据框,其中第一个变量是一个因子.因为user == 4,因子中只有一个级别,内部存储为1.

你想要的是因子水平,但你得到的是如何在内部存储因子(作为整数,从1开始).以下提供了预期的结果:

> dt[, lapply(as.data.frame(table(country)), as.character), by = user]
   user country Freq
1:    3       1    4
2:    3       2    1
3:    4       2    5

更新.关于你的第二个问题:不,我认为data.table行为是正确的.当你加入两个不同级别的因子时,在普通R中会发生同样的事情:

> a <- factor(3:5)
> b <- factor(6:8)
> a
[1] 3 4 5
Levels: 3 4 5
> b
[1] 6 7 8
Levels: 6 7 8
> c(a,b)
[1] 1 2 3 1 2 3