Ricerca…


Osservazioni

La bozza ufficiale, "Rimodellamento efficiente con data.tables" , è la migliore introduzione a questo argomento.

Molti compiti di rimodellamento richiedono lo spostamento tra formati lunghi e ampi:

  • I dati ampi sono dati con ogni colonna che rappresenta una variabile separata e le righe che rappresentano le osservazioni separate
  • I dati lunghi sono dati con l'ID del modulo | variabile | valore, dove ogni riga rappresenta una coppia di osservazioni-variabili

fondere e lanciare con data.table

data.table offre una vasta gamma di possibilità per rimodellare i tuoi dati in modo efficiente e semplice

Ad esempio, mentre si rimodella da lungo a largo è possibile passare diverse variabili nel value.var e nei parametri fun.aggregate allo stesso tempo

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

Da lungo a largo

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

Questo imposterà la gear come colonna dell'indice, mentre la mean e la sum saranno calcolate per disp e hp per ogni combinazione di gear e cyl . Nel caso in cui alcune combinazioni non esistano, è possibile specificare parametri aggiuntivi come na.rm = TRUE (che verrà passato per mean e sum funzioni) o specificare l'argomento di fill incorporato. È anche possibile aggiungere margini, eliminare combinazioni mancanti e sottoporre a subset i dati. Vedi di più in ?data.table::dcast


Largo a lungo

Per quanto riguarda il rimodellamento da ampio a lungo, è possibile passare colonne al parametro measure.vars utilizzando le espressioni regolari, ad esempio

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

Questo melt i dati per cyl e gear come le colonne indice, mentre tutti i valori per le variabili che iniziano con d ( disp & drat ) saranno presenti in value1 e i valori per le variabili che contengono la lettera e in essi ( qsec e gear ) saranno presenti nella colonna value2 .

È inoltre possibile rinominare tutti i nomi di colonna nel risultato specificando value.name argomenti variable.name e value.name o decidere se si desidera che le colonne di character vengano automaticamente convertite in factor o senza specificare value.factor argomenti variable.factor e value.factor . Vedi di più in ?data.table::melt

Risagoma usando `data.table`

data.table estende le reshape2 di melt e dcast

( Riferimento: rimodellamento efficiente con 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

Da lungo a largo

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

Su più colonne (come 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

Da largo a lungo

## 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

Passando dal formato wide a long usando il fuso

Fusione: le basi

La fusione viene utilizzata per trasformare i dati da un formato ampio a uno lungo.

A partire da un ampio set di dati:

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

Possiamo fondere i nostri dati usando la funzione melt in data.table. Questo restituisce un altro data.table in formato lungo:

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"

Si presume che le colonne non impostate nel parametro id.vars siano variabili. In alternativa, possiamo impostarli esplicitamente usando l'argomento 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

In questo caso, si presume che tutte le colonne non impostate in measure.vars siano ID.

Se impostiamo entrambi in modo esplicito, restituirà solo le colonne selezionate:

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

Denominazione di variabili e valori nel risultato

Possiamo manipolare i nomi delle colonne della tabella restituita usando variable.name e 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

Impostazione dei tipi per misurare le variabili nel risultato

Per impostazione predefinita, la fusione di un data.table converte tutti i valori da measure.vars a fattori:

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

Per impostare come carattere, utilizzare l'argomento variable.factor :

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

I valori generalmente ereditano dal tipo di dati della colonna di origine:

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

Se c'è un conflitto, i tipi di dati saranno forzati. Per esempio:

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

Quando si scioglie, qualsiasi variabile fattore sarà forzata al tipo di carattere:

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

Per evitare ciò e preservare la digitazione iniziale, utilizzare l'argomento value.factor :

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

Gestione dei valori mancanti

Per impostazione predefinita, tutti i valori NA vengono conservati nei dati fusi

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

Se questi devono essere rimossi dai tuoi dati, imposta 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

Passando dal formato lungo al formato wide usando dcast

Casting: The Basics

La trasmissione viene utilizzata per trasformare i dati dal formato lungo al formato wide.

A partire da un lungo set di dati:

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)

Possiamo dcast i nostri dati utilizzando la funzione dcast in data.table. Questo restituisce un altro data.table in formato ampio:

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"

Casting un valore

Un argomento value.var è necessario per un cast corretto - se non viene fornito dcast farà un'ipotesi basata sui tuoi dati.

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

Più value.var possono essere forniti in un elenco

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

Formula

La trasmissione è controllata utilizzando l'argomento formula in dcast . Questo è nella forma ROWS ~ COLUMNS

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

Sia le righe che le colonne possono essere espanse con ulteriori variabili 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

La fusione può spesso creare celle in cui non esiste alcuna osservazione nei dati. Di default questo è denotato da NA , come sopra. Possiamo sovrascriverlo con l'argomento 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

È inoltre possibile utilizzare due variabili speciali nell'oggetto formula

  • . non rappresenta altre variabili
  • ... rappresenta tutte le altre variabili
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

Aggregazione del nostro valore.var

Possiamo anche eseguire il cast e aggregare i valori in un unico passaggio. In questo caso, abbiamo tre osservazioni in ciascuna delle intersezioni di Età e ID. Per impostare quale aggregazione vogliamo, usiamo l'argomento 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

Possiamo anche passare un elenco a fun.aggregate per utilizzare più funzioni

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

Se passiamo più di una funzione e più di un valore, possiamo calcolare tutte le combinazioni passando un vettore di 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

dove ogni coppia è calcolata nell'ordine value1_formula1, value1_formula2, ... , valueN_formula(N-1), valueN_formulaN .

In alternativa, possiamo valutare i nostri valori e le funzioni uno a uno passando 'value.var' come 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

Denominazione delle colonne nel risultato

Per impostazione predefinita, i componenti del nome della colonna sono separati da un carattere di sottolineatura _ . Questo può essere sovrascritto manualmente usando l'argomento 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

Questo fun.aggregate qualsiasi fun.aggregate o value.var che usiamo:

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

Impilare più tabelle usando rbindlist

Un ritornello comune in R segue queste linee:

Non dovresti avere un gruppo di tabelle correlate con nomi come DT1 , DT2 , ..., DT11 . Leggere e assegnare in modo iterativo agli oggetti per nome è disordinato. La soluzione è un elenco di tabelle di dati!

Un simile elenco sembra

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

Un'altra prospettiva è che dovresti memorizzare queste tabelle insieme come una tabella , impilandole. Questo è semplice da fare 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

Questo formato ha molto più senso con la sintassi data.table, dove le operazioni "per gruppo" sono comuni e semplici.

Per uno sguardo più approfondito, la risposta di Gregor potrebbe essere un buon punto di partenza. Controlla anche ?rbindlist , ovviamente. C'è un esempio separato che riguarda la lettura in un gruppo di tabelle da CSV e quindi impilarle .



Modified text is an extract of the original Stack Overflow Documentation
Autorizzato sotto CC BY-SA 3.0
Non affiliato con Stack Overflow