如何根据 data.table 中的分类变量以编程方式创建二进制列？

Question

我有一个很大的（1200 万行）data.table 看起来像这样：

library(data.table)
set.seed(123)
dt <- data.table(id=rep(1:3, each=5),y=sample(letters[1:5],15,replace = T))
> dt
    id y
 1:  1 b
 2:  1 d
 3:  1 c
 4:  1 e
 5:  1 e
 6:  2 a
 7:  2 c
 8:  2 e
 9:  2 c
10:  2 c
11:  3 e
12:  3 c
13:  3 d
14:  3 c
15:  3 a

我想创建一个新的 data.table 包含我的变量 id（这将是这个新的 data.table 的唯一键）和其他 5 个二进制变量，每个变量对应于每个变量如果 id 具有 y 的值，y 的类别取值 1，否则为 0。
输出 data.table 应如下所示：

   id a b c d e
1:  1 0 1 1 1 1
2:  2 1 0 1 0 1
3:  3 1 0 1 1 1

我尝试在循环中执行此操作，但速度很慢，而且我不知道如何以编程方式传递二进制变量名称，因为它们取决于我尝试 "split" 的变量。

编辑：正如@mtoto 指出的那样，已经提出并回答了类似的问题here，但解决方案是使用reshape2 包.
我想知道是否有另一种（更快）的方法可以通过在 data.table 中使用 := 运算符来做到这一点，因为我有一个庞大的数据集并且我正在使用这个包进行很多工作。

EDIT2：@Arun post 中函数的基准测试（约 1200 万行，约 350 万个不同的 ID 和 490 个不同的标签） y 变量（产生 490 个虚拟变量）：

system.time(ans1 <- AnsFunction())   # 194s
system.time(ans2 <- dcastFunction()) # 55s
system.time(ans3 <- TableFunction()) # Takes forever and blocked my PC

Answer 1

如果您已经知道行的范围（因为您知道示例中的行不超过 3 行）并且您知道可以从零数组开始并使用 apply 函数的列更新该辅助 table.

中的值

我的 R 有点生锈，但我认为应该可以。此外，您传递给 apply 方法的函数可以包含根据需要添加必要的行和列的条件。

我的 R 有点生锈，所以我现在有点犹豫要不要写，但我认为这就是写的方法。

如果您正在寻找更即插即用的东西，我发现了这个小 blerb：

There are two sets of methods that are explained below:

gather() and spread() from the tidyr package. This is a newer interface to the reshape2 package.

melt() and dcast() from the reshape2 package.

There are a number of other methods which aren’t covered here, since they are not as easy to use:

The reshape() function, which is confusingly not part of the reshape2 package; it is part of the base install of R.

stack() and unstack()

从这里:: http://www.cookbook-r.com/Manipulating_data/Converting_data_between_wide_and_long_format/

如果我更精通 R，我会告诉您这些不同的方法如何处理从长列表到宽列表的冲突。我在谷歌上搜索 "Make a table from flat data in R" 想出了这个...

另请查看 this 这是与上面相同的网站和我的个人评论包装器：p

Answer 2

data.table 有自己的 dcast 实现，使用 data.table 的内部结构，应该很快。试一试：

dcast(dt, id ~ y, fun.aggregate = function(x) 1L, fill=0L)
#    id a b c d e
# 1:  1 0 1 1 1 1
# 2:  2 1 0 1 0 1
# 3:  3 1 0 1 1 1

刚刚想到了另一种方法来处理这个问题，通过引用进行预分配和更新（也许 dcast 的逻辑应该这样做以避免中间体）。

ans = data.table(id = unique(dt$id))[, unique(dt$y) := 0L][]

剩下的就是用 1L.

填充现有组合

dt[, {set(ans, i=.GRP, j=unique(y), value=1L); NULL}, by=id]
ans
#    id b d c e a
# 1:  1 1 1 1 1 0
# 2:  2 0 0 1 1 1
# 3:  3 0 1 1 1 1

好的，我已经继续对 OP 的数据维度进行基准测试，大约 1000 万行和 10 列。

require(data.table)
set.seed(45L)
y = apply(matrix(sample(letters, 10L*20L, TRUE), ncol=20L), 1L, paste, collapse="")
dt = data.table(id=sample(1e5,1e7,TRUE), y=sample(y,1e7,TRUE))

system.time(ans1 <- AnsFunction())   # 2.3s
system.time(ans2 <- dcastFunction()) # 2.2s
system.time(ans3 <- TableFunction()) # 6.2s

setcolorder(ans1, names(ans2))
setcolorder(ans3, names(ans2))
setorder(ans1, id)
setkey(ans2, NULL)
setorder(ans3, id)

identical(ans1, ans2) # TRUE
identical(ans1, ans3) # TRUE

其中，

AnsFunction <- function() {
    ans = data.table(id = unique(dt$id))[, unique(dt$y) := 0L][]
    dt[, {set(ans, i=.GRP, j=unique(y), value=1L); NULL}, by=id]
    ans
    # reorder columns outside
}

dcastFunction <- function() {
    # no need to load reshape2. data.table has its own dcast as well
    # no need for setDT
    df <- dcast(dt, id ~ y, fun.aggregate = function(x) 1L, fill=0L,value.var = "y")
}

TableFunction <- function() {
    # need to return integer results for identical results
    # fixed 1 -> 1L; as.numeric -> as.integer
    df <- as.data.frame.matrix(table(dt$id, dt$y))
    df[df > 1L] <- 1L
    df <- cbind(id = as.integer(row.names(df)), df)
    setDT(df)
}

Answer 3

对于小型数据集，table 函数似乎更有效，但对于大型数据集，dcast 似乎是最有效和方便的选择。

TableFunction <- function(){
    df <- as.data.frame.matrix(table(dt$id, dt$y))
    df[df > 1] <- 1
    df <- cbind(id = as.numeric(row.names(df)), df)
    setDT(df)
}


AnsFunction <- function(){
    ans = data.table(id = unique(dt$id))[, unique(dt$y) := 0L][]
    dt[, {set(ans, i=id, j=unique(y), value=1L); NULL}, by=id]
}

dcastFunction <- function(){
    df <-dcast.data.table(dt, id ~ y, fun.aggregate = function(x) 1L, fill=0L,value.var = "y")

}

library(data.table)
library(microbenchmark)
set.seed(123)
N = 10000
dt <- data.table(id=rep(1:N, each=5),y=sample(letters[1 : 5], N*5, replace = T)) 


microbenchmark(
    "dcast" = dcastFunction(),
    "Table" = TableFunction(),
    "Ans"   = AnsFunction()
    )


 Unit: milliseconds
  expr       min        lq      mean    median        uq       max neval cld
 dcast  42.48367  45.39793  47.56898  46.83755  49.33388  60.72327   100  b 
 Table  28.32704  28.74579  29.14043  29.00010  29.23320  35.16723   100 a  
   Ans 120.80609 123.95895 127.35880 126.85018 130.12491 156.53289   100   c

> all(test1 == test2)
[1] TRUE
> all(test1 == test3)
[1] TRUE

y = apply(matrix(sample(letters, 10L*20L, TRUE), ncol=20L), 1L, paste, collapse="")
dt = data.table(id=sample(1e5,1e7,TRUE), y=sample(y,1e7,TRUE))

microbenchmark(
    "dcast" = dcastFunction(),
    "Table" = TableFunction(),
    "Ans"   = AnsFunction()
)
Unit: seconds
  expr      min       lq     mean   median       uq      max neval cld
 dcast 1.985969 2.064964 2.189764 2.216138 2.266959 2.643231   100 a  
 Table 5.022388 5.403263 5.605012 5.580228 5.830414 6.318729   100   c
   Ans 2.234636 2.414224 2.586727 2.599156 2.645717 2.982311   100  b

如何根据 data.table 中的分类变量以编程方式创建二进制列？

How to programmatically create binary columns based on a categorical variable in data.table?

r

binary-data

programmatically-created

data.table