Buscar..


Observaciones

La viñeta oficial, "Remodelación eficiente utilizando data.tables" , es la mejor introducción a este tema.

Muchas tareas de remodelación requieren moverse entre formatos largos y anchos:

  • Los datos anchos son datos con cada columna que representa una variable separada, y filas que representan observaciones separadas
  • Los datos largos son datos con el ID de formulario | variable | valor, donde cada fila representa un par de observación-variable

fundir y fundir con data.table

data.table ofrece una amplia gama de posibilidades para remodelar sus datos de manera eficiente y fácil

Por ejemplo, mientras se remodela de largo a ancho, ambos pueden pasar varias variables a value.var y a los parámetros fun.aggregate al mismo tiempo

library(data.table) #v>=1.9.6
DT <- data.table(mtcars)

Largo a ancho

dcast(DT, gear ~ cyl, value.var = c("disp", "hp"), fun = list(mean, sum))
   gear disp_mean_4 disp_mean_6 disp_mean_8 hp_mean_4 hp_mean_6 hp_mean_8 disp_sum_4 disp_sum_6 disp_sum_8 hp_sum_4 hp_sum_6 hp_sum_8
1:    3     120.100       241.5    357.6167        97     107.5  194.1667      120.1      483.0     4291.4       97      215     2330
2:    4     102.625       163.8         NaN        76     116.5       NaN      821.0      655.2        0.0      608      466        0
3:    5     107.700       145.0    326.0000       102     175.0  299.5000      215.4      145.0      652.0      204      175      599

Esto establecerá el gear como la columna de índice, mientras que la mean y la sum se calcularán para disp y hp para cada combinación de gear y cyl . En caso de que no existan algunas combinaciones, puede especificar parámetros adicionales como na.rm = TRUE (que se pasará a mean funciones de mean y sum ) o especificar el argumento de fill incorporado. También puede agregar márgenes, eliminar combinaciones que faltan y subcontratar los datos. Ver más en ?data.table::dcast


Ancho a largo

Mientras cambia de ancho a largo, puede pasar columnas al parámetro measure.vars usando expresiones regulares, por ejemplo

print(melt(DT, c("cyl", "gear"), measure = patterns("^d", "e")), n = 10)
    cyl gear variable value1 value2
 1:   6    4        1 160.00  16.46
 2:   6    4        1 160.00  17.02
 3:   4    4        1 108.00  18.61
 4:   6    3        1 258.00  19.44
 5:   8    3        1 360.00  17.02
---                                
60:   4    5        2   3.77   5.00
61:   8    5        2   4.22   5.00
62:   6    5        2   3.62   5.00
63:   8    5        2   3.54   5.00
64:   4    4        2   4.11   4.00

Esto melt los datos por cyl y gear como las columnas de índice, mientras que todos los valores para las variables que comienzan con d ( disp & drat ) estarán presentes en value1 y los valores para las variables que contienen la letra e en ellos ( qsec y gear ) estarán presentes en la columna value2 .

También puede cambiar el nombre de todos los nombres de columna en el resultado al especificar los argumentos variable.name y value.name o decidir si desea que las columnas de character se conviertan automáticamente en factor s o no al especificar los argumentos variable.factor y value.factor . Ver más en ?data.table::melt

Remodelar usando `data.table`

data.table extiende las reshape2 de melt y dcast

( Referencia: remodelación eficiente utilizando data.tables )

library(data.table)

## generate some data
dt <- data.table(
  name = rep(c("firstName", "secondName"), each=4),
  numbers = rep(1:4, 2),
  value = rnorm(8)
)
dt
#          name numbers      value
# 1:  firstName       1 -0.8551881
# 2:  firstName       2 -1.0561946
# 3:  firstName       3  0.2671833
# 4:  firstName       4  1.0662379
# 5: secondName       1 -0.4771341
# 6: secondName       2  1.2830651
# 7: secondName       3 -0.6989682
# 8: secondName       4 -0.6592184

Largo a ancho

dcast(data = dt, 
      formula = name ~ numbers, 
      value.var = "value")

#          name          1          2         3         4
# 1:  firstName  0.1836433 -0.8356286 1.5952808 0.3295078
# 2: secondName -0.8204684  0.4874291 0.7383247 0.5757814

En columnas múltiples (a partir de data.table 1.9.6)

## add an extra column
dt[, value2 := value * 2]

## cast multiple value columns
dcast(data = dt, 
      formula = name ~ numbers, 
      value.var = c("value", "value2"))

#          name    value_1    value_2   value_3   value_4   value2_1   value2_2 value2_3  value2_4
# 1:  firstName  0.1836433 -0.8356286 1.5952808 0.3295078  0.3672866 -1.6712572 3.190562 0.6590155
# 2: secondName -0.8204684  0.4874291 0.7383247 0.5757814 -1.6409368  0.9748581 1.476649 1.1515627

Ancho a largo

## use a wide data.table
dt <- fread("name          1          2         3         4
firstName  0.1836433 -0.8356286 1.5952808 0.3295078
secondName -0.8204684  0.4874291 0.7383247 0.5757814", header = T)
dt
#          name          1          2         3         4
# 1:  firstName  0.1836433 -0.8356286 1.5952808 0.3295078
# 2: secondName -0.8204684  0.4874291 0.7383247 0.5757814

## melt to long, specifying the id column, and the name of the columns 
## in the resulting long data.table
melt(dt, 
     id.vars = "name", 
     variable.name = "numbers",
     value.name = "myValue")
#          name  numbers    myValue
# 1:  firstName        1  0.1836433
# 2: secondName        1 -0.8204684
# 3:  firstName        2 -0.8356286
# 4: secondName        2  0.4874291
# 5:  firstName        3  1.5952808
# 6: secondName        3  0.7383247
# 7:  firstName        4  0.3295078
# 8: secondName        4  0.5757814

Pasando de formato ancho a largo usando melt

Derritiendo: Los fundamentos

La fusión se utiliza para transformar datos de formato ancho a largo.

Comenzando con un amplio conjunto de datos:

DT = data.table(ID = letters[1:3], Age = 20:22, OB_A = 1:3, OB_B = 4:6, OB_C = 7:9)

Podemos fundir nuestros datos utilizando la función de melt en data.table. Esto devuelve otra tabla de datos en formato largo:

melt(DT, id.vars = c("ID","Age"))
1:  a  20     OB_A     1
2:  b  21     OB_A     2
3:  c  22     OB_A     3
4:  a  20     OB_B     4
5:  b  21     OB_B     5
6:  c  22     OB_B     6
7:  a  20     OB_C     7
8:  b  21     OB_C     8
9:  c  22     OB_C     9

class(melt(DT, id.vars = c("ID","Age")))
# "data.table" "data.frame"

Se asume que las columnas que no id.vars establecidas en el parámetro id.vars son variables. Alternativamente, podemos establecer estos explícitamente usando el argumento measure.vars :

melt(DT, measure.vars = c("OB_A","OB_B","OB_C"))
   ID Age variable value
1:  a  20     OB_A     1
2:  b  21     OB_A     2
3:  c  22     OB_A     3
4:  a  20     OB_B     4
5:  b  21     OB_B     5
6:  c  22     OB_B     6
7:  a  20     OB_C     7
8:  b  21     OB_C     8
9:  c  22     OB_C     9

En este caso, se asume que todas las columnas no establecidas en measure.vars son ID.

Si configuramos ambos explícitamente, solo devolverá las columnas seleccionadas:

melt(DT, id.vars = "ID", measure.vars = c("OB_C"))
   ID variable value
1:  a     OB_C     7
2:  b     OB_C     8
3:  c     OB_C     9

Nombrando variables y valores en el resultado.

Podemos manipular los nombres de columna de la tabla devuelta usando variable.name y value.name

melt(DT,
     id.vars = c("ID"), 
     measure.vars = c("OB_C"), 
     variable.name = "Test", 
     value.name = "Result"
     )
   ID Test Result
1:  a OB_C      7
2:  b OB_C      8
3:  c OB_C      9

Configuración de tipos de variables de medida en el resultado.

Por defecto, la fusión de una data.table convierte todos los measure.vars de factores:

M_DT <- melt(DT,id.vars = c("ID"), measure.vars = c("OB_C"))
class(M_DT[, variable])
# "factor"

Para establecer como carácter en su lugar, use el argumento variable.factor :

M_DT <- melt(DT,id.vars = c("ID"), measure.vars = c("OB_C"), variable.factor = FALSE)
class(M_DT[, variable])
# "character"

Los valores generalmente se heredan del tipo de datos de la columna de origen:

class(DT[, value])
# "integer"
class(M_DT[, value])
# "integer"

Si hay un conflicto, los tipos de datos serán coaccionados. Por ejemplo:

M_DT <- melt(DT,id.vars = c("Age"), measure.vars = c("ID","OB_C"))
class(M_DT[, value])
# "character"

Al fundirse, cualquier variable factor será coaccionada al tipo de carácter:

DT[, OB_C := factor(OB_C)]
M_DT <- melt(DT,id.vars = c("ID"), measure.vars = c("OB_C"))
class(M_DT)
# "character"

Para evitar esto y conservar la escritura inicial, use el argumento value.factor :

M_DT <- melt(DT,id.vars = c("ID"), measure.vars = c("OB_C"), value.factor = TRUE)
class(M_DT)
# "factor"

Manejo de valores perdidos

Por defecto, cualquier valor de NA se conserva en los datos fundidos.

DT = data.table(ID = letters[1:3], Age = 20:22, OB_A = 1:3, OB_B = 4:6, OB_C = c(7:8,NA))
melt(DT,id.vars = c("ID"), measure.vars = c("OB_C"))
   ID variable value
1:  a     OB_C     7
2:  b     OB_C     8
3:  c     OB_C    NA

Si se deben eliminar de sus datos, establezca na.rm = TRUE

melt(DT,id.vars = c("ID"), measure.vars = c("OB_C"), na.rm = TRUE)
   ID variable value
1:  a     OB_C     7
2:  b     OB_C     8

Pasando de formato largo a ancho usando dcast

Casting: Los fundamentos

La conversión se utiliza para transformar datos de formato largo a ancho.

Comenzando con un conjunto de datos largo:

DT = data.table(ID = rep(letters[1:3],3), Age = rep(20:22,3), Test = rep(c("OB_A","OB_B","OB_C"), each = 3), Result = 1:9)

Podemos echar nuestras datos utilizando el dcast función en data.table. Esto devuelve otra tabla de datos en formato ancho:

dcast(DT, formula = ID ~ Test, value.var = "Result")
   ID OB_A OB_B OB_C
1:  a    1    4    7
2:  b    2    5    8
3:  c    3    6    9

class(dcast(DT, formula = ID ~ Test, value.var = "Result"))
[1] "data.table" "data.frame"

Lanzar un valor

Un argumento value.var es necesario para una value.var adecuada; si no se proporciona, el dcast se basará en sus datos.

dcast(DT, formula = ID ~ Test, value.var = "Result")
   ID OB_A OB_B OB_C
1:  a    1    4    7
2:  b    2    5    8
3:  c    3    6    9

   ID OB_A OB_B OB_C
1:  a   20   20   20
2:  b   21   21   21
3:  c   22   22   22

Se pueden proporcionar múltiples value.var s en una lista

dcast(DT, formula = ID ~ Test, value.var = list("Result","Age"))
   ID Result_OB_A Result_OB_B Result_OB_C Age_OB_A Age_OB_B Age_OB_C
1:  a           1           4           7       20       20       20
2:  b           2           5           8       21       21       21
3:  c           3           6           9       22       22       22

Fórmula

El casting se controla mediante el argumento de fórmula en dcast . Esto es de la forma ROWS ~ COLUMNAS

dcast(DT, formula = ID ~ Test, value.var = "Result")
   ID OB_A OB_B OB_C
1:  a    1    4    7
2:  b    2    5    8
3:  c    3    6    9

dcast(DT, formula = Test ~ ID, value.var = "Result")
   Test a b c
1: OB_A 1 2 3
2: OB_B 4 5 6
3: OB_C 7 8 9

Tanto las filas como las columnas se pueden expandir con otras variables usando +

dcast(DT, formula = ID + Age ~ Test, value.var = "Result")
   ID Age OB_A OB_B OB_C
1:  a  20    1    4    7
2:  b  21    2    5    8
3:  c  22    3    6    9

dcast(DT, formula = ID ~ Age + Test, value.var = "Result")
   ID 20_OB_A 20_OB_B 20_OB_C 21_OB_A 21_OB_B 21_OB_C 22_OB_A 22_OB_B 22_OB_C
1:  a       1       4       7      NA      NA      NA      NA      NA      NA
2:  b      NA      NA      NA       2       5       8      NA      NA      NA
3:  c      NA      NA      NA      NA      NA      NA       3       6       9

#order is important

dcast(DT, formula = ID ~ Test + Age, value.var = "Result")
   ID OB_A_20 OB_A_21 OB_A_22 OB_B_20 OB_B_21 OB_B_22 OB_C_20 OB_C_21 OB_C_22
1:  a       1      NA      NA       4      NA      NA       7      NA      NA
2:  b      NA       2      NA      NA       5      NA      NA       8      NA
3:  c      NA      NA       3      NA      NA       6      NA      NA       9

El lanzamiento a menudo puede crear celdas donde no existe observación en los datos. Por defecto, esto se denota por NA , como se indica arriba. Podemos anular esto con el argumento fill= .

dcast(DT, formula = ID ~ Test + Age, value.var = "Result", fill = 0)
   ID OB_A_20 OB_A_21 OB_A_22 OB_B_20 OB_B_21 OB_B_22 OB_C_20 OB_C_21 OB_C_22
1:  a       1       0       0       4       0       0       7       0       0
2:  b       0       2       0       0       5       0       0       8       0
3:  c       0       0       3       0       0       6       0       0       9

También puede usar dos variables especiales en el objeto de fórmula

  • . no representa otras variables
  • ... representa todas las demás variables
dcast(DT, formula = Age ~ ., value.var = "Result")
   Age .
1:  20 3
2:  21 3
3:  22 3

dcast(DT, formula = ID + Age ~ ..., value.var = "Result")
   ID Age OB_A OB_B OB_C
1:  a  20    1    4    7
2:  b  21    2    5    8
3:  c  22    3    6    9

Agregando nuestro valor.

También podemos emitir y agregar valores en un solo paso. En este caso, tenemos tres observaciones en cada una de las intersecciones de Edad e ID. Para establecer qué agregación queremos, usamos el argumento fun.aggregate :

#length
dcast(DT, formula = ID ~ Age, value.var = "Result", fun.aggregate = length)
   ID 20 21 22
1:  a  3  0  0
2:  b  0  3  0
3:  c  0  0  3

#sum
dcast(DT, formula = ID ~ Age, value.var = "Result", fun.aggregate = sum)
   ID 20 21 22
1:  a 12  0  0
2:  b  0 15  0
3:  c  0  0 18

#concatenate
dcast(DT, formula = ID ~ Age, value.var = "Result", fun.aggregate = function(x){paste(x,collapse = "_")})
ID    20    21    22
1:  a 1_4_7            
2:  b       2_5_8      
3:  c             3_6_9

También podemos pasar una lista a fun.aggregate para usar múltiples funciones

dcast(DT, formula = ID ~ Age, value.var = "Result", fun.aggregate = list(sum,length))
   ID Result_sum_20 Result_sum_21 Result_sum_22 Result_length_20 Result_length_21 Result_length_22
1:  a            12             0             0                3                0                0
2:  b             0            15             0                0                3                0
3:  c             0             0            18                0                0                3

Si pasamos más de una función y más de un valor, podemos calcular todas las combinaciones pasando un vector de value.vars

dcast(DT, formula = ID ~ Age, value.var = c("Result","Test"), fun.aggregate = list(function(x){paste0(x,collapse = "_")},length))
   ID Result_function_20 Result_function_21 Result_function_22 Test_function_20 Test_function_21 Test_function_22 Result_length_20 Result_length_21
1:  a              1_4_7                                         OB_A_OB_B_OB_C                                                  3                0
2:  b                                 2_5_8                                       OB_A_OB_B_OB_C                                 0                3
3:  c                                                    3_6_9                                     OB_A_OB_B_OB_C                0                0
   Result_length_22 Test_length_20 Test_length_21 Test_length_22
1:                0              3              0              0
2:                0              0              3              0
3:                3              0              0              3

donde cada par se calcula en el orden value1_formula1, value1_formula2, ... , valueN_formula(N-1), valueN_formulaN .

Alternativamente, podemos evaluar nuestros valores y funciones uno a uno al pasar 'value.var' como una lista:

dcast(DT, formula = ID ~ Age, value.var = list("Result","Test"), fun.aggregate = list(function(x){paste0(x,collapse = "_")},length))
   ID Result_function_20 Result_function_21 Result_function_22 Test_length_20 Test_length_21 Test_length_22
1:  a              1_4_7                                                    3              0              0
2:  b                                 2_5_8                                 0              3              0
3:  c                                                    3_6_9              0              0              3

Nombrando columnas en el resultado

De forma predeterminada, los componentes de nombre de columna están separados por un guión bajo _ . Esto puede ser anulado manualmente usando el argumento sep= :

dcast(DT, formula = Test ~ ID + Age, value.var = "Result")
Test a_20 b_21 c_22
1: OB_A    1    2    3
2: OB_B    4    5    6
3: OB_C    7    8    9

dcast(DT, formula = Test ~ ID + Age, value.var = "Result", sep = ",")
   Test a,20 b,21 c,22
1: OB_A    1    2    3
2: OB_B    4    5    6
3: OB_C    7    8    9

Esto fun.aggregate cualquier fun.aggregate o value.var que usemos:

dcast(DT, formula = Test ~ ID + Age, value.var = "Result", fun.aggregate = c(sum,length), sep = ",")
   Test Result,sum,a,20 Result,sum,b,21 Result,sum,c,22 Result,length,a,20 Result,length,b,21 Result,length,c,22
1: OB_A               1               2               3                  1                  1                  1
2: OB_B               4               5               6                  1                  1                  1
3: OB_C               7               8               9                  1                  1                  1

Apilando múltiples tablas usando rbindlist

Un refrán común en R va en esta línea:

No debe tener un montón de tablas relacionadas con nombres como DT1 , DT2 , ..., DT11 . Literalmente, leer y asignar objetos a los objetos es complicado. La solución es una lista de tablas de datos!

Una lista así parece

set.seed(1)
DT_list = lapply(setNames(1:3, paste0("D", 1:3)), function(i)
  data.table(id = 1:2, v = sample(letters, 2)))

$D1
   id v
1:  1 g
2:  2 j

$D2
   id v
1:  1 o
2:  2 w

$D3
   id v
1:  1 f
2:  2 w

Otra perspectiva es que debe almacenar estas tablas juntas como una tabla , apilándolas. Esto es sencillo de hacer usando rbindlist :

DT = rbindlist(DT_list, id="src")

   src id v
1:  D1  1 g
2:  D1  2 j
3:  D2  1 o
4:  D2  2 w
5:  D3  1 f
6:  D3  2 w

Este formato tiene mucho más sentido con la sintaxis data.table, donde las operaciones "por grupo" son comunes y directas.

Para una mirada más profunda, la respuesta de Gregor podría ser un buen lugar para comenzar. También echa un vistazo a ?rbindlist , por supuesto. Hay un ejemplo separado que cubre la lectura en un montón de tablas de CSV y luego las apila .



Modified text is an extract of the original Stack Overflow Documentation
Licenciado bajo CC BY-SA 3.0
No afiliado a Stack Overflow