在data.table上进行透视,类似于重塑熔化函数

xbs*_*bsd 19 r reshape data.table

我在SO上已经阅读了一些关于类似问题的参考,但是还没有找到解决方案,并且想知道是否有任何方法只使用data.table来执行以下操作.

我将使用一个简化的示例,但在实践中,我的数据表有> 1000列,类似于var1,var2,... var1000等.

dt <- data.table(uid=c("a","b"), var1=c(1,2), var2=c(100,200))
Run Code Online (Sandbox Code Playgroud)

我正在寻找一种解决方案,可以让我得到一个类似于reshape融化功能的输出 -

> melt(dt, id=c("uid"))
uid variable value
1   a     var1     1
2   b     var1     2
3   a     var2   100
4   b     var2   200
Run Code Online (Sandbox Code Playgroud)

也就是说,除了uid之外的所有列都列在单个列下,并且在相邻列中具有相应的值.我已经尝试过使用list等的组合,但可能会遗漏一些明显的东西.

dt中的所有uid都是唯一的.

提前致谢.

And*_*eas 18

对于data.table重塑,请尝试以下操作:

dt[, list(variable = names(.SD), value = unlist(.SD, use.names = F)), by = uid]
Run Code Online (Sandbox Code Playgroud)

语法的代价是值得的; 该功能运行得非常快!

  • 刚刚检查了1000x1000`data.table`.将`use.names = FALSE`粘贴到`unlist`中的速度比使用`unlist`快约3倍. (4认同)
  • `unlist`通常使用`use.names = FALSE`来提升速度.不确定这是否适用于这种情况,但它可能. (3认同)

A5C*_*2T1 8

stack通常表现优异melt.

解决这个问题的直接方法stack是:

dt[, stack(.SD), by = "uid"]
Run Code Online (Sandbox Code Playgroud)

当然,您可以.SDcols根据需要指定.然后,使用setnames()将名称更改为您想要的任何名称.


(自我提升警报)

我写了一些函数并将它们放在一个名为"splitstackshape"的包中.其中一个函数被调用Stacked(),并且 "splitstackshape"软件包的1.2.0版本中,应该可以非常快速地工作.

它与仅仅堆叠a中的所有剩余列有点不同data.table.它更类似于基础R而reshape()不是melt()"reshape2".这是一个实际的例子Stacked().

我已经创建了一个相当大的data.table测试.我们要堆叠50个数字列,我们要堆叠50个因子列.我还进一步优化了@ Andreas的答案.

数据

set.seed(1)
m1 <- matrix(rnorm(10000*50), ncol = 50)
m2 <- matrix(sample(LETTERS, 10000*50, replace = TRUE), ncol = 50)
colnames(m1) <- paste("varA", sprintf("%02d", 1:50), sep = "_")
colnames(m2) <- paste("varB", sprintf("%02d", 1:50), sep = "_")
dt <- data.table(uid = 1:10000, m1, m2)
Run Code Online (Sandbox Code Playgroud)

基准测试的功能

test1 <- function() Stacked(dt, "uid", c("varA", "varB"), "_")

## merged.stack
test2 <- function() merged.stack(dt, "uid", c("varA", "varB"), "_")

## unlist(..., use.names = TRUE) -- OPTIMIZED
test3 <- function() {
  list(cbind(dt[, "uid", with = FALSE], 
             dt[, list(variable = rep(names(.SD), each = nrow(dt)), 
                       value = unlist(.SD)), 
                .SDcols = 2:51]),
       cbind(dt[, "uid", with = FALSE], 
             dt[, list(variable = rep(names(.SD), each = nrow(dt)), 
                       value = unlist(.SD)), 
                .SDcols = 52:101]))
}

## unlist(..., use.names = FALSE) -- OPTIMIZED
test4 <- function() {
  list(cbind(dt[, "uid", with = FALSE], 
             dt[, list(variable = rep(names(.SD), each = nrow(dt)), 
                       value = unlist(.SD, use.names = FALSE)), 
                .SDcols = 2:51]),
       cbind(dt[, "uid", with = FALSE], 
             dt[, list(variable = rep(names(.SD), each = nrow(dt)), 
                       value = unlist(.SD, use.names = FALSE)), 
                .SDcols = 52:101]))
}

## Andreas's current answer
test5 <- function() {
  list(dt[, list(variable = names(.SD), 
                 value = unlist(.SD, use.names = FALSE)),
          by = uid, .SDcols = 2:51],
       dt[, list(variable = names(.SD), 
                 value = unlist(.SD, use.names = FALSE)), 
          by = uid, .SDcols = 52:101])
}
Run Code Online (Sandbox Code Playgroud)

结果

library(microbenchmark)
microbenchmark(Stacked = test1(), merged.stack = test2(),
               unlist.namesT = test3(), unlist.namesF = test4(),
               AndreasAns = test5(), times = 3)
# Unit: milliseconds
#           expr        min         lq     median         uq        max neval
#        Stacked   391.3251   393.0976   394.8702   421.4185   447.9668     3
#   merged.stack   764.3071   769.6935   775.0799   867.2638   959.4477     3
#  unlist.namesT  1680.0610  1761.9701  1843.8791  1881.9722  1920.0653     3
#  unlist.namesF   215.0827   242.7748   270.4669   270.6944   270.9218     3
#     AndreasAns 16193.5084 16249.5797 16305.6510 16793.3832 17281.1154     3
Run Code Online (Sandbox Code Playgroud)

^^我不确定为什么Andreas目前的答案在这里很慢.我所做的"优化"基本上unlist没有使用by,这对"varB"(因子)列产生了巨大的影响.

手动方法仍然比"splitstackshape"中的函数更快,但这些是我们正在谈论的毫秒,以及一些相当紧凑的单行代码!

样本输出

作为参考,这是输出的Stacked()外观.它list是"堆叠" data.table的,每个堆叠变量的一个列表项.

test1()
# $varA
#           uid .time_1       varA
#      1:     1      01 -0.6264538
#      2:     1      02 -0.8043316
#      3:     1      03  0.2353485
#      4:     1      04  0.6179223
#      5:     1      05 -0.2212571
#     ---                         
# 499996: 10000      46 -0.6859073
# 499997: 10000      47 -0.9763478
# 499998: 10000      48  0.6579464
# 499999: 10000      49  0.7741840
# 500000: 10000      50  0.5195232
# 
# $varB
#           uid .time_1 varB
#      1:     1      01    D
#      2:     1      02    A
#      3:     1      03    S
#      4:     1      04    L
#      5:     1      05    T
#     ---                   
# 499996: 10000      46    A
# 499997: 10000      47    W
# 499998: 10000      48    H
# 499999: 10000      49    U
# 500000: 10000      50    W
Run Code Online (Sandbox Code Playgroud)

而且,这是merged.stack输出的样子.它类似于reshape(..., direction = "long")从基础R 使用时的效果.

test2()
#           uid .time_1       varA varB
#      1:     1      01 -0.6264538    D
#      2:     1      02 -0.8043316    A
#      3:     1      03  0.2353485    S
#      4:     1      04  0.6179223    L
#      5:     1      05 -0.2212571    T
#     ---                              
# 499996: 10000      46 -0.6859073    A
# 499997: 10000      47 -0.9763478    W
# 499998: 10000      48  0.6579464    H
# 499999: 10000      49  0.7741840    U
# 500000: 10000      50  0.5195232    W
Run Code Online (Sandbox Code Playgroud)


Kev*_*hey 6

无耻的自我推销

您可能想尝试melt_我的包Kmisc.melt_本质上是reshape2:::melt.data.frame用C语言完成的大部分繁琐工作的重写,并避免尽可能多的复制和类型强制,以便快速实现.

一个例子:

## devtools::install_github("Kmisc", "kevinushey")
library(Kmisc)
library(reshape2)
library(microbenchmark)
n <- 1E6
big_df <- data.frame( stringsAsFactors=FALSE,
  x=sample(letters, n, TRUE),
  y=sample(LETTERS, n, TRUE),
  za=rnorm(n),
  zb=rnorm(n),
  zc=rnorm(n)
)
all.equal(
  melt <- melt(big_df, id.vars=c('x', 'y')),
  melt_ <- melt_(big_df, id.vars=c('x', 'y'))
)
## we don't convert the 'variable' column to factor by default
## if we do, we see they're identical
melt_$variable <- factor(melt_$variable)
stopifnot( identical(melt, melt_) )
microbenchmark( times=5,
  melt=melt(big_df, id.vars=c('x', 'y')),
  melt_=melt_(big_df, id.vars=c('x', 'y'))
)
Run Code Online (Sandbox Code Playgroud)

给我

Unit: milliseconds
  expr       min        lq    median         uq       max neval
  melt 916.40436 931.60031 999.03877 1102.31090 1160.3598     5
 melt_  61.59921  78.08768  90.90615   94.52041  182.0879     5
Run Code Online (Sandbox Code Playgroud)

运气好的话,这对你的数据来说足够快了.