Question

我正在努力＆＃34;整洁＆＃34;一个大型数据集，其中多个不同类型的数据在列中合并，一些数据在列名中合并。这是a common scenario in biological dataset。

我的数据表有重复的测量值，我希望将其折叠成均值。将数据转换为整洁格式，这些复制值将成为其他行。如果我尝试聚合/分组几列并计算重复的平均值：

collapsed.data <- tidy.dt[, mean(expression, na.rm = T), by=list(Sequence.window,Gene.names,ratio,enrichment.type,condition)]

我得到的结果表只包含by语句中使用的列，后跟mean(expression)作为列V1。是否有可能获得所有其他（未更改的）列？

显示我想要实现的目标的极简主义示例如下：

library(data.table)
dt <- data.table(a = c("a", "a", "b", "b", "c", "a", "c", "a"), b = rnorm(8), 
                 c = c(1,1,1,1,1,2,1,2), d = rep('x', 8), e = rep('test', 8))
dt[, mean(b), by = list(a, c)]
#   a c         V1
#1: a 1 -0.7597186
#2: b 1 -0.3001626
#3: c 1 -0.6893773
#4: a 2 -0.1589146

正如您所看到的，d和e列已被删除。

Answer 1

一种可能性是在分组中加入d和e：

res <- dt[, mean(b), by = list(a, c, d, e)]
res
#   a c d    e         V1
#1: a 1 x test  0.9271986
#2: b 1 x test -0.3161799
#3: c 1 x test  1.3709635
#4: a 2 x test  0.1543337

如果要保留所有列除了要聚合的列之外，您可以采用更加规划的方式执行此操作：

cols_to_group_by <- setdiff(colnames(dt), "b")
res <- dt[, mean(b), by = cols_to_group_by]

结果与上述相同。

通过这种方式，您减少了行数。如果要保留所有行，可以添加其他列：

dt[, mean_b := mean(b), by = list(a, c)]
dt
#   a          b c d    e     mean_b
#1: a  1.1127632 1 x test  0.9271986
#2: a  0.7416341 1 x test  0.9271986
#3: b  0.9040880 1 x test -0.3161799
#4: b -1.5364479 1 x test -0.3161799
#5: c  1.9846982 1 x test  1.3709635
#6: a  0.2615139 2 x test  0.1543337
#7: c  0.7572287 1 x test  1.3709635
#8: a  0.0471535 2 x test  0.1543337

此处，dt通过引用修改，即不复制所有dt，这可能会节省大数据的时间。

在将data.table分组为多列

1 个答案: