如何使用 by 并将所有列暴露给该函数将函数应用于 data.table 的子集？

当切片一个data.table按组划分，用于对数据进行切片的变量在函数执行期间不在子集中。我用以下方法演示了这一点debugonce.

library(data.table)
x <- data.table(a = rep(letters[1:4], each = 3), b = rep(c("a", "b"), each = 6), c = rnorm(12))

myfun <- function(y) paste(y$a, y$b, y$c, collapse = "")

> debugonce(myfun)
> x[, myfun(.SD), by = .(b, a)]
debugging in: myfun(.SD)
debug: paste(y$a, y$b, y$c, collapse = "")
Browse[2]> y
            c
1: -1.2662416
2:  0.9818497
3: -0.5395385

我所追求的是 split-sapply 范例的功能，我将根据因素对 data.frame 进行切片并将该函数应用于所有列，也就是说，还包括用于切片的变量它（如下所示）。

> debugonce(myfun)

> sapply(split(x, f = list(x$b, x$a)), FUN = myfun)
debugging in: FUN(X[[i]], ...)
debug: paste(y$a, y$b, y$c, collapse = "")
Browse[2]> y
a b          c
1: a a -1.2662416
2: a a  0.9818497
3: a a -0.5395385

OP有一个函数，它接受一个列表作为参数，其中应该包含alldata.table 的列，包括用于分组的列by.

根据help(".SD"):

.SD是一个 data.table 包含的子集x每组的数据，排除中使用的任何列by (or keyby).

（强调我的）

.BY是一个列表，其中每个项目都包含长度为 1 的向量by。这在以下情况下很有用：by事先不知道。

So, .BY and .SD相互补充以访问 data.table 的所有列。

而不是明确地重复by函数调用中的列

x[, myfun(c(list(b, a), .SD)), by = .(b, a)]

我们可以用

x[, myfun(c(.BY, .SD)), by = .(b, a)]

   b a                                                                 V1
1: a a    a a -1.02091215130492a a -0.295107569536843a a 0.77776326093429
2: a b b a -0.369037832486311b a -0.716211663822323b a -0.264799143319049
3: b c      c b -1.39603530693486c b 1.4707902839894c b 0.721925347069227
4: b d   d b -1.15220308230505d b -0.736782242593426d b 0.420986999145651

OP已使用debugonce()显示传递给的参数myfun():

> debugonce(myfun)
> x[, myfun(c(.BY, .SD)), by = .(b, a)]
debugging in: myfun(c(.BY, .SD))
debug at #1: paste(y$a, y$b, y$c, collapse = "")
Browse[2]> y
$b
[1] "a"

$a
[1] "a"

$c
[1] -1.0209122 -0.2951076  0.7777633

另一个例子

使用另一个示例数据集和函数可能更容易举例说明问题的核心：

x <- data.table(a = rep(letters[3:6], each = 3), b = rep(c("x", "y"), each = 6), c = 1:12)
myfun <- function(y) paste(y$a, y$b, y$c, sep = "/", collapse = "-")

x[, myfun(.SD), by = .(b, a)]

   b a             V1
1: x c    //1-//2-//3
2: x d    //4-//5-//6
3: y e    //7-//8-//9
4: y f //10-//11-//12

所以，列band a确实作为分组变量出现在输出中，但它们不是通过.SD到函数。

现在，与.BY互补.SD

x[, myfun(c(.BY, .SD)), by = .(b, a)]

   b a                   V1
1: x c    c/x/1-c/x/2-c/x/3
2: x d    d/x/4-d/x/5-d/x/6
3: y e    e/y/7-e/y/8-e/y/9
4: y f f/y/10-f/y/11-f/y/12

data.table 的所有列都传递给该函数。

函数调用中的单独参数

罗兰建议 https://stackoverflow.com/questions/45295639/how-to-apply-a-function-to-a-subset-of-data-table-using-by-and-exposing-all-colu/45295654?noredirect=1#comment77599900_45295654通过.BY and .SD作为函数的单独参数。的确，.BY是一个列表对象并且.SD是一个 data.table 对象（本质上也是一个列表，允许我们使用c(.BY, .SD)）。在某些情况下，差异可能很重要。

为了验证，我们可以定义一个打印的函数str()作为副作用。该函数仅针对第一组调用（.GRP == 1L).

myfun1 <- function(y) str(y)
x[, if (.GRP == 1L) myfun1(.SD), by = .(b, a)]

Classes ‘data.table’ and 'data.frame':    3 obs. of  1 variable:
 $ c: int  1 2 3
 - attr(*, ".internal.selfref")=<externalptr> 
 - attr(*, ".data.table.locked")= logi TRUE
Empty data.table (0 rows) of 2 cols: b,a

x[, if (.GRP == 1L) myfun1(.BY), by = .(b, a)]

List of 2
 $ b: chr "x"
 $ a: chr "c"
Empty data.table (0 rows) of 2 cols: b,a

x[, if (.GRP == 1L) myfun1(c(.BY, .SD)), by = .(b, a)]

List of 3
 $ b: chr "x"
 $ a: chr "c"
 $ c: int [1:3] 1 2 3
Empty data.table (0 rows) of 2 cols: b,a

附加链接

Beside help(".SD")以下问题的评论和答案可能有用：

• R中data.table中的.SD代表什么 https://stackoverflow.com/questions/8508482/what-does-sd-stand-for-in-data-table-in-r
• 在 data.table R 中使用 lapply .SD https://stackoverflow.com/questions/32276887/use-of-lapply-sd-in-data-table-r