我在hadley的功能指南中经历了一些例子,并遇到了意想不到的问题.

假设我有一个模型对象列表,

x=1:3;y=3:1; bah <- list(lm(x~y),lm(y~x))

并希望从每个中提取一些东西(如hadley关于名为"试验"的列表的问题所示).我期待其中一个工作:

lapply(bah,`$`,i='call') # or...
lapply(bah,`$`,call)

但是,这些返回null.好像我没有滥用这个$功能,因为这些东西有效:

`$`(bah[[1]],i='call')
`$`(bah[[1]],call)

无论如何,我只是把它作为一个练习,我很好奇我的错误.我知道我可以使用匿名函数,但认为必须有一种方法来使用类似于我最初的非解决方案的语法.我已经看过了$所提到的地方?Extract,但没有看到任何明显的解释.

我才意识到这有效:

lapply(bah,`[[`,i='call')

还有这个

lapply(bah,function(x)`$`(x,call))

也许这只是归结为一些lapply需要匿名功能而不需要任何功能的伏都教？我觉得我以前在某个地方听说过.

注意:我在此问题中遇到的确切问题不适用于最新版本的数据表.如果你想做标题中描述的事情,请查看包FAQ中的相应问题,1.6确定,但我不提前知道这些表达式.我如何以编程方式传递它们？.

我已经看到一个答案,说明如何构建一个要进行评估的表达式

DT[,j=eval(expr)]

我正在使用这个作业,```:=`(mycol = my_calculation)``,我想知道......

• 如何动态分配名称"mycol"？
• 让"my_calculation"采用动态确定的列集的正确方法是什么？

通过"动态",我的意思是"在我为我编写代码后确定expr".

新的例子

编辑:为了更好地说明问题,这里是不同的例子.查看编辑历史记录以查看原始文件.

require(data.table)
require(plyr)
options(datatable.verbose=TRUE)
DT <- CJ(a=0:1,b=0:1,y=2)

# setup:
expr  <- as.quoted(paste(expression(get(col_in_one)+get(col_in_two))))[[1]]

# usage: 
col_in_one <- 'a'
col_in_two <- 'b'
col_out    <- 'bah'
DT[,(col_out):=eval(expr)] # fails, should take the form j=eval(expr)

我想将设置和使用阶段分开,因此我的代码更易于维护.我的真实表达比这个例子更麻烦(它只选择一列).

问题

第一个问题:如何使分配到的列"col_out"动态化？我的意思是:我想动态指定"cols_in_*"和"col_out".

我尝试在"expr"中创建各种表达式,但as.quoted抛出一个错误,即不将某些东西放在=符号的左边.

第二个问题:如何避免使用警告get？

警告建议使用.SDcols,以便[.data.table知道我正在使用哪些列.但是,如果我使用这个.SDcols参数,另一个警告说除非.SD正在使用,否则没有必要这样做.

暂时的解决方案

我到目前为止的解决方案是......

# Ricardo + eddi:
expr2 …

我试图将我的数据框分成2个部分.例如,我想将70%的数据随机存入一个数据帧,另外30%的数据存入其他数据帧.有没有快速的方法来做到这一点？原始数据框中的行数超过800000.我尝试使用for循环,从行数中选择一个随机数,然后使用rbind()将该行绑定到第一个(70%)数据框并从原始数据帧中删除它以获得另一个(30%)数据帧.但这非常缓慢.有没有比这更快的方法呢？

不确定如何用单词表达问题,但是如何为data.table创建一个索引列,当出现不同的值时,每个组会增加？

这是MWE

library(data.table)
in.data <- data.table(fruits=c(rep("banana", 4), rep("pear", 5)),vendor=c("a", "b", "b", "c", "d", "d", "e", "f", "f"))

这是R代码应该生成的结果

in.data[, wanted.column:=c(1,2,2,3,1,1,2,3,3)]

#    fruits vendor wanted.column
# 1: banana      a             1
# 2: banana      b             2
# 3: banana      b             2
# 4: banana      c             3
# 5:   pear      d             1
# 6:   pear      d             1
# 7:   pear      e             2
# 8:   pear      f             3
# 9:   pear      f             3

因此它在每个水果中标记每个供应商1,2,3,.... 可能有一个非常简单的解决方案,但我被卡住了.

我编写了以下两个函数,一个用于使用连接测试增加的向量大小,另一个用括号测试:

c_test <- function(n) {
  cv = c()
  for(i in 1:n) cv = c(cv, i)
  cv
  }

b_test <- function(n) {
  bv = c()
  for (i in 1:n) bv[i] = i
  bv
  }

library(microbenchmark)
microbenchmark(c_test(1e+4), b_test(1e+4), times = 100)

#Unit: milliseconds
#          expr       min        lq      mean    median        uq      max neval
# c_test(10000) 140.27923 145.73282 156.82319 148.16175 151.74713 267.2393   100
# b_test(10000)  49.58033  54.42992  56.24268  54.86033  56.30862 132.8394   100

这是一个很大的时间差异,我不明白为什么使用括号比使用连接更好.在这两种情况下似乎都需要时间来分配新的内存,但这似乎并不正确.我还认为它可能会c(v, x)转换x为与v合并之前相同的类型,但是说v[i] = as.vector(x)并不是一个重要的时间成本.

问题

当我filter()或者select()具有空格的列名称通常在dplyr中使用反引号定义时,我的内联代码块会中断.

示例数据

    ```{r setup, include=FALSE}
    knitr::opts_chunk$set(echo = TRUE)
    library(dplyr)
    library(knitr)
    library(lazyeval)

    df <- structure(list(1:3, 2:4), .Names = c("a", "b"), row.names = c(NA, -3L), class = "data.frame")

    df <- df %>% select(`a a`=a, `b b`=b)
    ```

内联代码块

我正在尝试类似的东西`r df %>% filter(`a a` == 1) %>% select(`a a`) %>% as.numeric()`,但是我收到以下错误:

    Error in base::parse(text = code, keep.source = FALSE) : <text>:2.0: unexpected end of input 1: df %>% filter( ^ Calls: <Anonymous> ... inline_exec -> withVisible …

这对我来说很难解释，因此我仅举一个例子。我在下面有两个向量（a和b）。

a <- c("cat","dog","banana","yogurt","dog")
b <- c("salamander","worm","dog","banana","cat","yellow","blue")

我想要以下结果：

[1] 0 0 2 1 1 0 0 

其中结果的每个元素是b的每个元素出现在向量a中的次数。

do.call("c",lapply(b,function(x){sum(x == a)}))

这给了我我想要的，但是我需要一个矢量化/更快的版本，因为我正在处理> 20,000条记录。任何帮助表示赞赏！

我正在尝试计算我的数据框中的几个新变量.以初始值为例:

说我有:

Dataset <- data.frame(time=rep(c(1990:1992),2),
           geo=c(rep("AT",3),rep("DE",3)),var1=c(1:6), var2=c(7:12))

        time    geo var1 var2
1       1990    AT  1    7
2       1991    AT  2    8
3       1992    AT  3    9
4       1990    DE  4   10
5       1991    DE  5   11
6       1992    DE  6   12

而且我要:

        time    geo  var1  var2  var1_1990  var1_1991  var2_1990 var2_1991
1       1990    AT   1     7      1          2          7         8
2       1991    AT   2     8      1          2          7         8
3       1992    AT   3     9      1          2          7         8
4       1990    DE …

我试图找到一种更有效的方法来逐步计算数据帧中的唯一数据点.

例如,我编写了以下代码:

df = matrix(c(1,2,3,3,4,5,1,2,4,4))

count = matrix(nrow = nrow(df),ncol=1)

for (i in 1:nrow(df)) {

  count[i,1] = length(which(df[1:i,1] == df[i,1]))

}

代码的目的是逐步计算特定值的每个实例,例如count列将具有以下结果:

1,1,1,2,1,1,2,2,2,3.

到目前为止我编写的代码完成了这项工作,但上面的示例df只包含10个值.我试图执行此功能的实际数据框包含52,118 values,这需要花费大量时间.

有谁知道一种更有效的方法来执行上面的代码？

我有两个数据帧,第一个包含9994行,第二个包含60431行.我想合并两个数据帧,使合并的数据帧包含两个数据帧的组合列,但只包含9994行.

但是,合并后我获得超过9994行.我怎样才能确保不会发生这种情况？

df1 = readRDS('data1.RDS')
nrow(df1)
# [1] 9994

df2 = readRDS('data2.RDS')
nrow(df2)
# [1] 60431

df = merge(df1,df2,by=c("col1","col2"))
nrow(df)
# [1] 10057

df = merge(df1,df2,by=c("col1","col2"),all.x=TRUE)
nrow(df)
# [1] 10057
nrow(na.omit(df))
# [1] 10057

编辑:遵循akrun的评论.是的,第二个数据框中有重复项

nrow(unique(df2[,c("col1","col2")]))
# [1] 60263
nrow(df2)
# [1] 60431

如果同一{col1,col2}组合有多个,如何从数据框中只取一行.当我合并时,我想只有9994行.