J'essaie d'utiliser data.table pour accélérer le traitement d'un grand data.frame (300k x 60) composé de plusieurs data.frames fusionnés plus petits. Je suis nouveau sur data.table. Jusqu'à présent, le code est le suivant
library(data.table)
a = data.table(index=1:5,a=rnorm(5,10),b=rnorm(5,10),z=rnorm(5,10))
b = data.table(index=6:10,a=rnorm(5,10),b=rnorm(5,10),c=rnorm(5,10),d=rnorm(5,10))
dt = merge(a,b,by=intersect(names(a),names(b)),all=T)
dt$category = sample(letters[1:3],10,replace=T)
et je me demandais s'il y avait un moyen plus efficace que le suivant pour résumer les données.
summ = dt[i=T,j=list(a=sum(a,na.rm=T),b=sum(b,na.rm=T),c=sum(c,na.rm=T),
d=sum(d,na.rm=T),z=sum(z,na.rm=T)),by=category]
Je ne veux pas vraiment taper tous les 50 calculs de colonne à la main et une eval(paste(...))
semble maladroite en quelque sorte.
J'ai regardé l'exemple ci-dessous mais cela semble un peu compliqué pour mes besoins. Merci
Vous pouvez utiliser une simple instruction lapply
avec .SD
dt[, lapply(.SD, sum, na.rm=TRUE), by=category ]
category index a b z c d
1: c 19 51.13289 48.49994 42.50884 9.535588 11.53253
2: b 9 17.34860 20.35022 10.32514 11.764105 10.53127
3: a 27 25.91616 31.12624 0.00000 29.197343 31.71285
Si vous souhaitez uniquement résumer sur certaines colonnes, vous pouvez ajouter le .SDcols
argument
# note that .SDcols also allows reordering of the columns
dt[, lapply(.SD, sum, na.rm=TRUE), by=category, .SDcols=c("a", "c", "z") ]
category a c z
1: c 51.13289 9.535588 42.50884
2: b 17.34860 11.764105 10.32514
3: a 25.91616 29.197343 0.00000
Bien sûr, cela n'est pas limité à sum
et vous pouvez utiliser n'importe quelle fonction avec lapply
, y compris les fonctions anonymes. (c'est-à-dire qu'il s'agit d'une instruction lapply
régulière).
Enfin, il n'est pas nécessaire d'utiliser i=T
et j= <..>
. Personnellement, je pense que cela rend le code moins lisible, mais ce n'est qu'une préférence de style.
Vous trouverez la documentation à .SD
et plusieurs autres variables spéciales sous le
section d'aide de ?"[.data.table"
(dans la section Arguments, regardez sous les informations pour by
).
Jetez également un œil à data.table FAQ 2.1