data.table
Omforma, stapla och dela om
Sök…
Anmärkningar
Den officiella vinjetten, "Effektiv omformning med data.tabeller" , är den bästa introduktionen till detta ämne.
Många omformningsuppgifter kräver att du flyttar mellan långa och breda format:
- Bred data är data med varje kolumn som representerar en separat variabel och rader som representerar separata observationer
- Långa data är data med formen ID | variabel | värde, där varje rad representerar ett observationsvariabelt par
smälta och gjutas med data.table
data.table
erbjuder ett brett utbud av möjligheter att omforma dina data både effektivt och enkelt
När du till exempel omformar från lång till bred kan du både skicka flera variabler till value.var
och till fun.aggregate
parametrarna på samma gång
library(data.table) #v>=1.9.6
DT <- data.table(mtcars)
Lång till bred
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
Detta ställer in gear
som indexkolumn, medan mean
och sum
kommer att beräknas för disp
och hp
för varje gear
och cyl
. Om det inte finns några kombinationer kan du ange ytterligare parametrar som na.rm = TRUE
(som kommer att skickas till mean
och sum
) eller specificera det inbyggda fill
. Du kan också lägga till marginaler, släppa kombinationer som saknas och dela upp data. Se mer i ?data.table::dcast
Bred till lång
När du omformar från brett till lång kan du till exempel överföra kolumner till parametern measure.vars
med vanliga uttryck
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
Detta kommer att melt
data med cyl
och gear
som indexkolumner, medan alla värden för variablerna som börjar med d
( disp
& drat
) kommer att finnas i value1
och värdena för variablerna som innehåller bokstaven e
i dem ( qsec
och gear
) kommer att finnas i value2
kolumnen.
Du kan också byta namn på alla kolumnnamn i resultatet medan du specificerar variable.name
och value.name
eller besluta om du vill att character
automatiskt ska konverteras till factor
s eller inte medan du specificerar variable.factor
och value.factor
. Se mer i ?data.table::melt
Omforma med "data.table"
data.table
förlänger reshape2
melt
och dcast
( Referens: Effektiv omformning med data.tabeller )
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
Lång till bred
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
På flera kolumner (från 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
Bred till lång
## 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
Går från brett till långt format med smält
Smältning: Grunderna
Smältning används för att omvandla data från brett till långt format.
Börjar med en bred datauppsättning:
DT = data.table(ID = letters[1:3], Age = 20:22, OB_A = 1:3, OB_B = 4:6, OB_C = 7:9)
Vi kan smälta våra data med hjälp av melt
funktion data.table. Detta returnerar en annan data.table i långt format:
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"
Alla kolumner som inte är inställda i parametern id.vars
antas vara variabler. Alternativt kan vi ställa in dessa uttryckligen med hjälp av argumentet 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
I det här fallet antas alla kolumner som inte är inställda i measure.vars
vara ID: er.
Om vi ställer in båda uttryckligen kommer det bara att returnera de valda kolumnerna:
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
Namnge variabler och värden i resultatet
Vi kan manipulera kolumnnamnen i den returnerade tabellen med variable.name
och 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
Ställa in typer för mätvariabler i resultatet
Som standard konverterar alla measure.vars
till att smälta en measure.vars
till faktorer:
M_DT <- melt(DT,id.vars = c("ID"), measure.vars = c("OB_C"))
class(M_DT[, variable])
# "factor"
För att ställa in som tecken istället använder du variable.factor
argumentet:
M_DT <- melt(DT,id.vars = c("ID"), measure.vars = c("OB_C"), variable.factor = FALSE)
class(M_DT[, variable])
# "character"
Värden ärver vanligtvis från datatypen för den ursprungliga kolumnen:
class(DT[, value])
# "integer"
class(M_DT[, value])
# "integer"
Om det är en konflikt tvingas datatyper. Till exempel:
M_DT <- melt(DT,id.vars = c("Age"), measure.vars = c("ID","OB_C"))
class(M_DT[, value])
# "character"
Vid smältning tvingas alla faktorvariabler till karaktärstyp:
DT[, OB_C := factor(OB_C)]
M_DT <- melt(DT,id.vars = c("ID"), measure.vars = c("OB_C"))
class(M_DT)
# "character"
value.factor
argumentet value.factor
att undvika detta och bevara den första value.factor
M_DT <- melt(DT,id.vars = c("ID"), measure.vars = c("OB_C"), value.factor = TRUE)
class(M_DT)
# "factor"
Hantering av saknade värden
Som standard bevaras alla NA
värden i smält data
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
Om dessa bör tas bort från dina data, ställ in 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
Går från långt till brett format med hjälp av dcast
Gjutning: Grunderna
Gjutning används för att omvandla data från långt till brett format.
Börjar med en lång datauppsättning:
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)
Vi kan kasta våra data med hjälp av dcast
funktionen i data.table. Detta returnerar en annan data.table i brett format:
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"
Gjutning av ett värde
Ett value.var
argument är nödvändigt för en korrekt roll - om inte meddelandet kommer dcast att göra ett antagande baserat på dina data.
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
Flera value.var
kan anges i en 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
Formel
Gjutning styrs med dcast
i dcast
. Detta är av formen 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
Både rader och kolumner kan utökas med ytterligare variabler med +
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
Gjutning kan ofta skapa celler där ingen observation finns i data. Som standard betecknas detta av NA
, som ovan. Vi kan åsidosätta detta med fill=
-argumentet.
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
Du kan också använda två specialvariabler i formelobjektet
-
.
representerar inga andra variabler -
...
representerar alla andra variabler
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
Samla vårt värde.var
Vi kan också casta och aggregera värden i ett steg. I det här fallet har vi tre observationer i vart och ett av korsningarna mellan ålder och ID. För att ange vilken aggregering vi vill använda, använder fun.aggregate
argumentet 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
Vi kan också skicka en lista till fun.aggregate
att använda flera funktioner
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
Om vi passerar mer än en funktion och mer än ett värde kan vi beräkna alla kombinationer genom att passera en vektor med värde.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
där varje par beräknas i ordningsvärdet1_formel1 value1_formula1, value1_formula2, ... , valueN_formula(N-1), valueN_formulaN
.
Alternativt kan vi utvärdera våra värden och funktioner en-till-en genom att lämna 'value.var' som en 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
Namnge kolumner i resultatet
Som standard separeras kolumnnamnskomponenter av en understruk _
. Detta kan åsidosättas manuellt med sep=
argumentet:
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
Detta fun.aggregate
alla fun.aggregate
eller value.var
vi använder:
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
Stapla flera tabeller med rbindlist
En vanlig refrain i R går enligt dessa linjer:
Du bör inte ha ett gäng relaterade tabeller med namn som
DT1
,DT2
, ...,DT11
. Iterativt läsning och tilldelning till objekt med namn är rörigt. Lösningen är en lista med datatabeller!
En sådan lista ser ut
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
Ett annat perspektiv är att du ska lagra dessa tabeller tillsammans som ett bord genom att stapla dem. Detta är enkelt att göra med 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
Detta format är mycket mer meningsfullt med data.table-syntax, där "per grupp" -operationer är vanliga och enkla.
För en djupare titt kan Gregors svar vara ett bra ställe att börja. Kolla ?rbindlist
också ut ?rbindlist
. Det finns ett separat exempel som täcker läsning i en massa tabeller från CSV och sedan staplar dem .