R之data.table速查手册
R语言data.table速查手册
介绍
R中的data.table
包提供了一个data.frame
的高级版本,让你的程序做数据整型的运算速度大大的增加。data.table
已经在金融,基因工程学等领域大放光彩。他尤其适合那些需要处理大型数据集(比如 1GB 到100GB)需要在内存中处理数据的人。不过这个包的一些符号并不是很容易掌握,因为这些操作方式在R中比较少见。这也是这篇文章的目的,为了给大家提供一个速查的手册。
data.table
的通用格式: DT[i, j, by],对于数据集DT,选取子集行i,通过by分组计算j
1.生成一个data.table对象
生成一个data.table对象,记为DT.
> library(data.table)
> set.seed(45L)
> DT <- data.table(V1=c(1L,2L),
+ V2=LETTERS[1:3],
+ V3=round(rnorm(4),4),
+ V4=1:12)
> DT
V1 V2 V3 V4
1: 1 A -1.1727 1
2: 2 B -0.3825 2
3: 1 C -1.0604 3
4: 2 A 0.6651 4
5: 1 B -1.1727 5
6: 2 C -0.3825 6
7: 1 A -1.0604 7
8: 2 B 0.6651 8
9: 1 C -1.1727 9
10: 2 A -0.3825 10
11: 1 B -1.0604 11
12: 2 C 0.6651 12
2.通过i来筛选数据集的行
通过数字来筛选数据集的行
选取第三行到第五行
> DT[3:5,] #or DT[3:5]
V1 V2 V3 V4
1: 1 C -1.0604 3
2: 2 A 0.6651 4
3: 1 B -1.1727 5
基于使用快速自动索引条件,使用列名选择行i
在V2这一列,选择所有值为A的行
> DT[ V2 == "A"]
V1 V2 V3 V4
1: 1 A -1.1727 1
2: 2 A 0.6651 4
3: 1 A -1.0604 7
4: 2 A -0.3825 10
选择多个值:
选择在这一列中包含value1或value2的所有值
> DT[column %in% c("value1","value2")]
选择V2这列中包含值A或C的所有行
> DT[ V2 %in% c("A","C")]
V1 V2 V3 V4
1: 1 A 0.3408 1
2: 2 A -0.7460 4
3: 1 A -0.3795 7
4: 2 A -0.7033 10
5: 1 C -0.3795 3
6: 2 C -0.7033 6
7: 1 C 0.3408 9
8: 2 C -0.7460 12
3.通过j来操作列
通过j来选择一列
> DT[,V2]
[1]"A" "A" "A" "A" "B" "B" "B" "B" "C" "C" "C" "C"
注意到V2这一列是以向量的形式返回的
通过j来选择多列
> DT[,.(V2,V3)]
V2 V3
1: A 0.3408
2: A -0.7460
3: A -0.3795
4: A -0.7033
5: B -0.7033
6: B 0.3408
7: B -0.7460
8: B -0.3795
9: C -0.3795
10: C -0.7033
11: C 0.3408
12: C -0.7460
V2与V3这两列以data.table的形式返回
.()为list()的一个别名。如果使用.(),返回的为一个data.table对象。如果不使用.(),结果为返回一个向量。
在j上调用函数
> DT[,sum(V1)]
[1] 18
以向量的形式返回V1列中所有元素的总和
在多列上进行计算
以data.table的形式,返回V1这列的所有元素之和与V3这列的标准差
> DT[,.(sum(V1),sd(V3))]
V1 V2
1: 18 0.4546055
指定计算列的列名
类似上例,但有一个新的列名
> DT[,.(Aggregate = sum(V1), Sd.V3 = sd(V3))]
Aggregate Sd.V3
1: 18 0.4546055
若列的长度不一,则会循环对齐
选择V1这一列,并计算V3这列的标准差,将会得到一个标准差的值并循环补齐
> DT[,.(V1, Sd.V3 = sd(V3))]
V1 Sd.V3
1: 1 0.4546055
2: 2 0.4546055
3: 1 0.4546055
4: 2 0.4546055
5: 2 0.4546055
6: 1 0.4546055
7: 2 0.4546055
8: 1 0.4546055
9: 1 0.4546055
10: 2 0.4546055
11: 1 0.4546055
12: 2 0.4546055
多个表达式可以包裹在花括号中
输出V2这一列并绘制V3这一列
> DT[,{print(V2)
plot(V3)
NULL}]
[1] "A" "A" "A" "A" "B" "B" "B" "B" "C" "C" "C" "C"
#And a plot
NULL
4.根据分组来操作j
根据分组来操作j
对V1中的每一类来计算V4列的和
> DT[,.(V4.Sum = sum(V4)),by=V1]
V1 V4.Sum
1: 1 36
2: 2 42
通过使用.()控制多个列来操作j
与上例类似,但每一个分组包含V1和V2两列
> DT[,.(V4.Sum = sum(V4)),by=.(V1,V2)]
V1 V2 V4.Sum
1: 1 A 8
2: 2 A 14
3: 2 B 10
4: 1 B 16
5: 1 C 12
6: 2 C 18
在by中调用函数
以sign(V1-1)为分组,计算各个分组中V4列的和:
> DT[,.(V4.Sum = sum(V4)),by=sign(V1-1)]
sign V4.Sum
1: 0 36
2: 1 42
通过指定i行子集的分组进行操作
在前5行数据集中,通过V1列的分组来计算V4列的总和:
> DT[1:5,.(V4.Sum = sum(V4)),by=V1]
V1 V4.Sum
1: 1 8
2: 2 16
使用函数.N来得到每个类别的总观测数
在V1列中计算每个分组的观测数
> DT[,.N,by=V1]
V1 N
1: 1 6
2: 2 6
5.使用:=引用来添加或更新一列
在一行中使用:=引用来添加或更新列.
注意: 额外的指定 (DT <- DT[…])是多余的
使用:=来更新V1列:
> DT[, V1 := round(exp(V1),2)]
这段代码没有显式的返回结果,而V1列从[1] 1 2 1 2 … 变成了 [1] 2.72 7.39 2.72 7.39 …
使用:=引用来添加或更新多列
使用:=更新V1列和V2列:
> DT[, c("V1","V2") := list(round(exp(V1),2), LETTERS[4:6])]
同样没有显式的返回结果,V1列的结果与上相同,V2列从[1] “A” “B” “C” “A” “B” “C” … 变成: [1] “D” “E” “F” “D” “E” “F” …
使用函数:=
上例的另一种写法,但会在书写时更易并齐。而且,当添加[]时,结果会返回在屏幕中
> DT[, ':=' (V1 =round(exp(V1),2),V2 = LETTERS[4:6])][]
与上例变化相同,但是由于在语句最后添加了[],这一结果会返回至屏幕
通过使用:=来移除一列
移除V1列
> DT[, V1 := NULL]
无显式的返回结果,但V1列变为NULL
通过使用:=来移除多列
移除V1列与V2列
> DT[, c("V1","V2") := NULL]
无显式的返回结果,但V1列与V2列变为NULL
将一个包含列名的变量用小括号包裹起来,变量所传递的内容将会被删除
注意:列名为Cols.chosen的列将会被删除,这里不是删除”V1”,”V2”列
> Cols.chosen = c("V1","V2")
> DT[, Cols.chosen := NULL]
无显式的返回结果,列名为Cols.chosen的列将会被删除
删除指定变量Cols.chosen包含的V1列和V2列
> DT[, (Cols.chosen) := NULL]
无显式的返回结果,列名为V1和V2的列变为NULL##索引与键值
使用setkey()函数设置键值
setkey()函数可以在数据集DT上设置键值。当我们设置好key后,data.table会将数据按照key来排序。
在V2列上设置一个键值
> setkey(DT,V2)
无显示返回结果
使用键值来选择行
使用键值可以更加有效地选择行
由于已将V2设置了键值,将会返回该列中所有包含变量值A的行
> DT["A"]
V1 V2 V3 V4
1: 1 A -1.1727 1
2: 2 A 0.6651 4
3: 1 A -1.0604 7
4: 2 A -0.3825 10
返回键值所在列(V2列)包含变量值A或变量值C的所有行
> DT[c("A","C")]
V1 V2 V3 V4
1: 1 A -0.8981 1
2: 2 A -0.1745 4
3: 1 A -0.5014 7
4: 2 A -0.3348 10
5: 1 C -0.5014 3
6: 2 C -0.3348 6
7: 1 C -0.8981 9
8: 2 C -0.1745 12
mult参数
mult参数是用来控制i匹配到的哪一行的返回结果默认情况下会返回该分组的所有元素
返回匹配到键值所在列(V2列)所有行中的第一行
> DT["A", mult ="first"]
V1 V2 V3 V4
1: 1 A -1.1727 1
返回匹配到键值所在列(V2列)所有行中的最后一行
> DT["A", mult = "last"]
V1 V2 V3 V4
1: 2 A -0.3825 10
nomatch参数
nomatch参数用于控制,当在i中没有到匹配数据的返回结果,默认为NA,也能设定为0。0意味着对于没有匹配到的行将不会返回。
返回匹配到键值所在列(V2列)所有包含变量值A或D的所有行:
> DT[c("A","D")]
V1 V2 V3 V4
1: 1 A -1.1727 1
2: 2 A 0.6651 4
3: 1 A -1.0604 7
4: 2 A -0.3825 10
5: NA D NA NA
变量值A匹配到了,而变量值D没有,故返回NA。
返回匹配到键值所在列(V2列)所有包含值A或D的所有行:
> DT[c("A","D"), nomatch = 0]
V1 V2 V3 V4
1: 1 A -1.1727 1
2: 2 A 0.6651 4
3: 1 A -1.0604 7
4: 2 A -0.3825 10
因为nomatch参数,值D没有匹配到故不返回。
by=.EACHI参数
by=.EACHI
允许按每一个已知i的子集分组,在使用by=.EACHI时需要设置键值
返回键值(V2列)中包含A或C的所有行中,V4列的总和。
> DT[c("A","C"),
sum(V4)]
[1] 52
返回键值所在列(V2列)中包含A的行在V4列总和与包含C的行在V4列的总和。
> DT[c("A","C"),
sum(V4), by=.EACHI]
V2 V1
1: A 22
2: C 30
使用setkey()设置一个多列主键
任意列都能使用setkey()来设置主键,这种方式可以选择2个列作为一个主键。以下是一个等值连接V1列的每个组先根据V1排序,再根据V2排序。
> setkey(DT,V1,V2)
无显式返回结果
选择键值1(V1列)为2且键值2(V2列)为C的行。
> DT[.(2,"C")]
V1 V2 V3 V4
1: 2 C -0.3825 6
2: 2 C 0.6651 12
选择键值1(V1列)为2且键值2(V2列)为A或C的行
> DT[.(2,c("A","C"))]
V1 V2 V3 V4
1: 2 A 0.6651 4
2: 2 A -0.3825 10
3: 2 C -0.3825 6
4: 2 C 0.6651 12
6.data.table高级操作
.N
.N可以用来表示行的数量或者最后一行
在i处使用:
> DT[.N-1]
V1 V2 V3 V4
1: 1 B -0.5765 11
返回每一列的倒数第二行
在j处使用:
> DT[,.N-1]
[1] 11
返回倒数第二行所在的行数。
.()
.()
是list()
的一个别名,他们在data.table中是等价的。当只有一个元素的位置j或者by中,是不需要.()
的。
在j中使用:
> DT[,.(V2,V3)] #or DT[,list(V2,V3)]
V2 V3
1: A -0.8313
2: B 0.7615
3: C -0.5765
在by中使用:
> DT[, mean(V3),by=.(V1,V2)]
V1 V2 V1
1: 1 A -0.70390
2: 2 B 0.06755
3: 1 C -0.70390
4: 2 A 0.06755
5: 1 B -0.70390
6: 2 C 0.06755
以V1,V2为分组,对V3求均值
.SD参数
.SD
是一个data.table,他包含了各个分组,除了by中的变量的所有元素。.SD
只能在位置j中使用:
> DT[, print(.SD), by=V2]
V1 V3 V4
1: 1 -0.8313 1
2: 2 -0.6264 4
3: 1 -0.5765 7
4: 2 0.7615 10
V1 V3 V4
1: 2 0.7615 2
2: 1 -0.8313 5
3: 2 -0.6264 8
4: 1 -0.5765 11
V1 V3 V4
1: 1 -0.5765 3
2: 2 0.7615 6
3: 1 -0.8313 9
4: 2 -0.6264 12
Empty data.table (0 rows) of 1 col: V2
以V2为分组,选择每组的第一和最后一列:
> DT[,.SD[c(1,.N)], by=V2]
V2 V1 V3 V4
1: A 1 -0.8313 1
2: A 2 0.7615 10
3: B 2 0.7615 2
4: B 1 -0.5765 11
5: C 1 -0.5765 3
6: C 2 -0.6264 12
以V2为分组,计算.SD
中所有元素的和:
> DT[, lapply(.SD, sum), by=V2]
V2 V1 V3 V4
1: A 6 -1.2727 22
2: B 6 -1.2727 26
3: C 6 -1.2727 30
.SDcols
.SDcols
常于.SD
用在一起,他可以指定.SD
中所包含的列,也就是对.SD
取子集:
> DT[, lapply(.SD,sum), by=V2,
+ .SDcols = c("V3","V4")]
V2 V3 V4
1: A -1.2727 22
2: B -1.2727 26
3: C -1.2727 30
.SDcols
也可以是一个函数的返回值:
> DT[, lapply(.SD,sum), by=V2,
+ .SDcols = paste0("V",3:4)]
V2 V3 V4
1: A -1.2727 22
2: B -1.2727 26
3: C -1.2727 30
结果与上一个是相同的。
7.串联操作可以把表达式聚合在一起并避免多余的中间变量
把多个操作串联起来,这等价于SQL中的having
> DT<-DT[, .(V4.Sum = sum(V4)),by=V1]
> DT[V4.Sum > 35] #no chaining
V1 V4.Sum
1: 1 36
2: 2 42
这个是不使用串联的方法,先以V1为分组,对V4求和,然后再把分组总和大于35的取出来。
使用串联的方法:
> DT[, .(V4.Sum = sum(V4)),by=V1][V4.Sum > 35 ]
V1 V4.Sum
1: 1 36
2: 2 42
分组求和之后对V1进行排序:
> DT[, .(V4.Sum = sum(V4)),by=V1][order(-V1)]
V1 V4.Sum
1: 2 42
2: 1 36
8.使用set()
家族
set()
set()
通常用来更新给定的行和列的值,要注意的是,他不能跟by结合使用。
> rows = list(3:4,5:6)
> cols = 1:2
> for (i in seq_along(rows))
+ {
+ set(DT,
+ i=rows[[i]],
+ j = cols[i],
+ value = NA)
+}
> DT
V1 V2 V3 V4
1: 1 A -0.0559 1
2: 2 B -0.4450 2
3: NA C 0.0697 3
4: NA A -0.1547 4
5: 1 NA -0.0559 5
6: 2 NA -0.4450 6
7: 1 A 0.0697 7
8: 2 B -0.1547 8
以上程序把给定的一组行和列都设置为了NA
setname()
与set()
同理,setname()
可以修改给定的列名和行名,以下程序是
#把名字为"old"的列,设置为"new"
> setnames(DT,"old","new")
#把"V2","V3"列,设置为"V2.rating","V3.DataCamp"
> setnames(DT,c("V2","V3"),c("V2.rating","V3.DataCamp"))
setcolorder()
setcolorder()
可以用来修改列的顺序。
setcolorder(DT,c("V2","V1","V4","V3"))
这段代码会使得列的顺序变成:
[1] "V2" "V1" "V4" "V3"
栗子🌰:
首先介绍下data.table的语法,如下所示:
在data.table
包中,我们可以使用:=
引用来添加或更新列
内置的 order() 函数 * 我们可以对一个字符型的列,使用减号“-”,来实现降序排列。
当我们用list()
的时候,返回的是data.table,不用list()
时,返回的是向量。一般建议加上list()
,除非你就是想要得到向量格式的数据。
# select取子集方法之subset(x, subset, select)
注:subset特指对列的选择,select特指对行的选择, with = FALSE 来引用列名
select列
* 既然列可以作为变量被引用,我们可以直接引用我们想选取的列。
* 既然我们想选取所有的行,则可毋需指定参数 i。
* 返回了所有行的 arr_delay 列。
特殊的语法
.SD: data.table提供一个特殊的语法,形式是 .SD。它是 Subset of Data 的缩写。
它自身就是一个data.table,包含通过by 分组后的每一组。 回忆一下,一个data.table本质上是一个list,它们的列包含的元素个数都相同(其实就是行数)。
说明:
* .SD 包含除了分组依据的那一列以外的所有列。
* 返回值依旧保持了原数据的顺序。首先打印出来的是 ID=“b” 的数据,然后是 ID=“a” 的,最后是 ID=“c” 的。
为了对复数的列进行计算,我们可以简单地使用函数 lapply()。
![](https://images2015.cnblogs.com/blog/1062315/201611/1062315-20161115193115029-1566377370.png)
说明:
* .SD 分别包含了ID是 a、b、c的所有行,它们分别对应了各自的组。我们应用函数 lapply() 对每列计算平均值。
* 每一组返回包含三个平均数的list,这些构成了最终返回的data.table。
* 既然函数 lapply() 返回 list,我们就不需要在外面多加 .() 了。
-如何指定希望计算平均值的列
.SDcols
使用参数 .SDcols。它接受列名或者列索引。比如,.SDcols = c("arr_delay", "dep_delay")能确保.SD之包含 arr_delay 和 dep_delay 这两列。
和 with = FALSE 一样,我们也可以使用 - 或者 ! 来移除列。比如,我们指定 !(colA:colB) 或者 -(colA:colB)表示移除从 colA 到 colB 的所有列。
总结
data.table的语法形式是:
DT[i, j, by]
指定参数i:
* 类似于data.frame,我们可以subset行,除非不需要重复地使用 DT$,既然我们能将列当做变量来引用。
* 我们可以使用order()排序。为了得到更快速的效果,order()函数内部使用了data.table的快速排序。
我们可以通过参数i做更多的事,得到更快速的选取和连结。我们可以在教程“Keys and fast binary search based subsets”和“Joins and rolling joins”中学到这些。
指定参数j:
* 以data.table的形式选取列:DT[, .(colA, colB)]。
* 以data.frame的形式选取列:DT[, c("colA", "colB"), with=FALSE]。
* 按列进行计算:DT[, .(sum(colA), mean(colB))]。
* 如果需要:DT[, .(sA =sum(colA), mB = mean(colB))]。
* 和i共同使用:DT[colA > value, sum(colB)]。
指定参数by:* 通过by,我们可以指定列,或者列名,甚至表达式,进行分组。参数j可以很灵活地配置参数i和by实现强大的功能。
* by可以指定多个列,也可以指定表达式。
* 我们可以用 keyby,对分组的结果自动排序。
* 我们可以在参数j中指定 .SD 和 .SDcols,对复数的列进行操作。例如:
1.把函数fun 应用到所有 .SDcols指定的列上,同时对参数by指定的列进行分组:DT[, lapply(.SD, fun), by=., .SDcols=...]。
2.返回每组册前两行:DT[, head(.SD, 2), by=.]。
3.三个参数联合使用:DT[col > val, head(.SD, 1), by=.]
原文来自DataCamp课程的data.table官方速查表
原文链接:The data.table R package cheat sheet
http://youngspring1.github.io/post/2016/2016-03-13-datatable1/