使用 .SD 和 .SDcols

.SD

.SD 是指每个组的 data.table 的子集,不包括 by 中使用的所有列。

.SDlapply 可用于将任何函数应用于 data.table 中的多个列

我们将继续使用相同的内置数据集 mtcars

mtcars = data.table(mtcars) # Let's not include rownames to keep things simpler

数据集中所有列的平均值按柱面数计算cyl

mtcars[ , lapply(.SD, mean), by = cyl]

#   cyl      mpg     disp        hp     drat       wt     qsec        vs        am     gear     carb
#1:   6 19.74286 183.3143 122.28571 3.585714 3.117143 17.97714 0.5714286 0.4285714 3.857143 3.428571
#2:   4 26.66364 105.1364  82.63636 4.070909 2.285727 19.13727 0.9090909 0.7272727 4.090909 1.545455
#3:   8 15.10000 353.1000 209.21429 3.229286 3.999214 16.77214 0.0000000 0.1428571 3.285714 3.500000

除了 cyl 之外,数据集中还有其他分类列,如 vsamgearcarb。采取这些列的 mean 并没有多大意义。所以我们排除这些列。这是 .SDcols 进入图片的地方。

.SDcols

.SDcols 指定 .SD 中包含的 data.table 的列。

数据集中所有列(连续列)的平均值由齿轮数量 gear气缸数量 cyl 组成,由 gearcyl 排列:

# All the continuous variables in the dataset
cols_chosen <- c("mpg", "disp", "hp", "drat", "wt", "qsec")

mtcars[order(gear, cyl), lapply(.SD, mean), by = .(gear, cyl), .SDcols = cols_chosen]

#   gear cyl    mpg     disp       hp     drat       wt    qsec
#1:    3   4 21.500 120.1000  97.0000 3.700000 2.465000 20.0100
#2:    3   6 19.750 241.5000 107.5000 2.920000 3.337500 19.8300
#3:    3   8 15.050 357.6167 194.1667 3.120833 4.104083 17.1425
#4:    4   4 26.925 102.6250  76.0000 4.110000 2.378125 19.6125
#5:    4   6 19.750 163.8000 116.5000 3.910000 3.093750 17.6700
#6:    5   4 28.200 107.7000 102.0000 4.100000 1.826500 16.8000
#7:    5   6 19.700 145.0000 175.0000 3.620000 2.770000 15.5000
#8:    5   8 15.400 326.0000 299.5000 3.880000 3.370000 14.5500

也许我们不想按群体计算 mean。要计算数据集中所有汽车的平均值,我们不指定 by 变量。

mtcars[ , lapply(.SD, mean), .SDcols = cols_chosen] 

#        mpg     disp       hp     drat      wt     qsec
#1: 20.09062 230.7219 146.6875 3.596563 3.21725 17.84875

注意:没有必要事先定义 cols_chosen.SDcols 可以直接获取列名