r语言 - data.table 按两个变量计算总和，并为"empty"组添加观测值

Question

很抱歉标题不正确-我正在努力实现以下目标：我有一个数据表dt，它有两个分类变量"；a"；以及"；b"；。如您所见，a具有5个唯一值b有三个。现在，例如分类变量的组合("a＝1"one_answers"b＝3"(不在数据中。

library(data.table) 
set.seed(1)
a <- sample(1:5, 10, replace = TRUE)
b <- sample(1:3, 10, replace = TRUE)
y <- rnorm(10)
dt <- data.table(a = a, b = b, y = y)
dt[order(a, b), .N, by = c("a", "b")]
#  a b N
#1: 1 1 2
#2: 1 2 1
#3: 2 2 1
#4: 2 3 1
#5: 3 1 1
#6: 3 2 1
#7: 3 3 1
#8: 4 1 1
#9: 5 2 1

如果我简单地求和"；a"；以及"；b"；，诸如("a＝1"和b＝3"(的组将被简单地忽略：

group_sum <- dt[, lapply(.SD, sum), by = c("a", "b")]
group_sum
#   a b          y
#1: 1 1 -0.7702614
#2: 4 1 -0.2894616
#3: 1 2 -0.2992151
#4: 2 2 -0.4115108
#5: 5 2  0.2522234
#6: 3 2 -0.8919211
#7: 2 3  0.4356833
#8: 3 1 -1.2375384
#9: 3 3 -0.2242679

在数据表中是否存在一种内部方式来"；保持"；这样的缺失组，并分配0或NA？

实现我目标的一种方法是创建一个网格并在第二步中合并：

grid <- unique(expand.grid(a = dt$a, b = dt$b)) # dim 
setDT(grid)
res <- merge(grid, group_sum, by = c("a", "b"), all.x = TRUE)
head(res)
#   a b          y
#1: 1 1 -0.7702614
#2: 1 2 -0.2992151
#3: 1 3         NA
#4: 2 1         NA
#5: 2 2 -0.4115108
#6: 2 3  0.4356833

Answer 1

实现这一点的一种方法是使用CJ()函数进行键控交叉连接，然后使用.EACHI来注意y应该对i中的每一行执行。

library(data.table)
set.seed(1)
a <- sample(1:5, 10, replace = TRUE)
b <- sample(1:3, 10, replace = TRUE)
y <- rnorm(10)
dt <- data.table(a = a, b = b, y = y)
setkeyv(dt, c("a", "b"))
dt[CJ(a, b, unique = TRUE), lapply(.SD, sum), by = .EACHI]
#>     a b          y
#>  1: 1 1 -0.7702614
#>  2: 1 2 -0.2992151
#>  3: 1 3         NA
#>  4: 2 1         NA
#>  5: 2 2 -0.4115108
#>  6: 2 3  0.4356833
#>  7: 3 1 -1.2375384
#>  8: 3 2 -0.8919211
#>  9: 3 3 -0.2242679
#> 10: 4 1 -0.2894616
#> 11: 4 2         NA
#> 12: 4 3         NA
#> 13: 5 1         NA
#> 14: 5 2  0.2522234
#> 15: 5 3         NA

^{由reprex包(v0.3.0(于2020-10-03创建}

如果您想跳过密钥设置步骤，您也可以设置on参数：

dt <- data.table(a = a, b = b, y = y) # Set no key
dt[CJ(a, b, unique = TRUE), lapply(.SD, sum), by = .EACHI, on = c("a", "b")]

Answer 2

您还可以将dplyr和tidyr与complete((函数一起使用：

library(dplyr)
library(tidyr)
dt %>% 
group_by(a,b) %>% 
complete(a,b) %>% 
summarize_all(sum) 
# A tibble: 15 x 3
# Groups:   a [5]
a     b          y
<fct> <fct>  <dbl>
1 1     1      -6.93
2 1     2      -2.69
3 1     3      NA   
4 2     1      NA   
5 2     2      -3.70
6 2     3       3.92
7 3     1     -11.1 
8 3     2      -8.03
9 3     3      -2.02
10 4     1      -2.61
11 4     2      NA   
12 4     3      NA   
13 5     1      NA   
14 5     2       2.27
15 5     3      NA