使用 data.table 重新编码变量答案

【问题标题】：Recode a variable using data.table使用 data.table 重新编码变量
【发布时间】：2017-11-19 07:56:16
【问题描述】：

我正在尝试使用 data.table 重新编码变量。谷歌搜索了将近 2 个小时，但找不到答案。

假设我有一个 data.table 如下：

DT <- data.table(V1=c(0L,1L,2L),
                 V2=LETTERS[1:3],
                 V4=1:12)

我想重新编码 V1 和 V2。对于 V1，我想将 1s 重新编码为 0，将 2s 重新编码为 1。对于 V2，我想将 A 重新编码为 T，B 重新编码为 K，C 重新编码为 D。

如果我使用dplyr，就很简单了。

library(dplyr)
DT %>% 
  mutate(V1 = recode(V1, `1` = 0L, `2` = 1L)) %>% 
  mutate(V2 = recode(V2, A = "T", B = "K", C = "D"))

但我不知道如何在 data.table 中执行此操作

DT[V1==1, V1 := 0]
DT[V1==2, V1 := 1]
DT[V2=="A", V2 := "T"]
DT[V2=="B", V2 := "K"]
DT[V2=="C", V2 := "D"]

以上是我认为最好的代码。但必须有更好、更有效的方法来做到这一点。

编辑

我更改了重新编码 V2 的方式，以使我的示例更通用。

【问题讨论】：

我认为您的V2 可能必须是字符，因为您想将"C" 更改为"D" 对吗？虽然我可能弄错了你想如何重新编码V2
@MikeH。是的，V2 可能必须是字符。

标签： r data.table recode

【解决方案1】：

使用data.table 可以通过加入更新来解决重新编码问题：

DT[.(V1 = 1:2, to = 0:1), on = "V1", V1 := i.to]
DT[.(V2 = LETTERS[1:3], to = c("T", "K", "D")), on = "V2", V2 := i.to]

将DT 转换为

    V1 V2 V4
 1:  0  T  1
 2:  0  K  2
 3:  1  D  3
 4:  0  T  4
 5:  0  K  5
 6:  1  D  6
 7:  0  T  7
 8:  0  K  8
 9:  1  D  9
10:  0  T 10
11:  0  K 11
12:  1  D 12

编辑：为了安全起见，@Frank 建议使用 i.to。

说明

表达式.(V1 = 1:2, to = 0:1) 和.(V2 = LETTERS[1:3], to = c("T", "K", "D")) 分别创建查找表on-the-fly。

或者，可以预先设置查找表

lut1 <- data.table(V1 = 1:2, to = 0:1)
lut2 <- data.table(V2 = LETTERS[1:3], to = c("T", "K", "D"))

lut1

   V1 to
1:  1  0
2:  2  1

lut2

   V2 to
1:  A  T
2:  B  K
3:  C  D

然后，更新加入变成

DT[lut1, on = "V1", V1 := i.to]
DT[lut2, on = "V2", V2 := i.to]

【讨论】：

【解决方案2】：

我认为这可能是您正在寻找的。在:= 的左侧，我们命名了我们要更新的变量，而在右侧，我们有我们要用来更新相应变量的表达式。

DT[, c("V1","V2") := .(as.numeric(V1==2), sapply(V2, function(x) {if(x=="A") "T" 
                                                     else if (x=="B") "K" 
                                                     else if (x=="C") "D" }))]

 #   V1 V2 V4
 #1:  0  T  1
 #2:  0  K  2
 #3:  1  D  3
 #4:  0  T  4
 #5:  0  K  5
 #6:  1  D  6
 #7:  0  T  7
 #8:  0  K  8
 #9:  1  D  9
#10:  0  T 10
#11:  0  K 11
#12:  1  D 12

或者，只需在data.table 中使用recode：

library(dplyr)
DT[, c("V1","V2") := .(as.numeric(V1==2), recode(V2, "A" = "T", "B" = "K", "C" = "D"))]

【讨论】：

谢谢！我试图找到与dplyr 的recode 等效的data.table。因此，我将示例更改为更一般的情况。
不知道data.table里面有没有像recode这样的具体功能。但是，您可以在 data.table 中使用 recode，例如：DT[, c("V1","V2") := .(as.numeric(V1==2), recode(V2, "A" = "T", "B" = "K", "C" = "D"))]
或者，您可以使用其他函数，例如 sapply: DT[, c("V1","V2") := .(as.numeric(V1==2), sapply(V2, function(x) {if(x=="A") "T" else if (x=="B") "K" else if (x=="C") "D" }))]
请注意：使用as.numeric(V1==2) 将2L 伪造为1L 并将任何其他数字伪造为0L 是一个非常聪明的R 技巧。但它的技巧只在这种特殊情况下有效。例如，如果V1 包含任何其他数字，它将中断。

【解决方案3】：

来自 plyr 的 mapvalues() 与 data.table 结合使用，效果非常好。

我将它用于大型数据（50 mio - 400 mio 行）。尽管与其他可能性相比，我没有对其进行基准测试，但我发现清晰的语法很有价值，因为它意味着复杂的重新编码操作中的错误更少。

library(data.table)
library(plyr)


DT <- data.table(V1=c(0L,1L,2L),
                 V2=LETTERS[1:3],
                 V4=1:12)


DT[, V1 := mapvalues(V1, from=c(1, 2), to=c(0, 1))]
DT[, V2 := mapvalues(V2, from=c('A', 'B', 'C'), to=c('T', 'K', 'D'))]

对于更复杂的重新编码操作，我总是先用 NA 创建一个新变量，然后使用另一个带有 from-to 向量的 data.table 作为变量。

在某些用例中更像是一个错误的功能是 mapvalues() 将这些值保留在不在 from 参数中的旧变量中。如果您确定所有正确的值都在 from-vector 中，这是一个问题，因此 data.table 中不在此向量中的任何值都应该是 NA 。

DT <- data.table(V1=c(LETTERS[1:3], 'i dont want this value transfered'),
                 V4=1:12)
map_DT <- data.table(from=c('A', 'B', 'C'), to=c('T', 'K', 'D'))


# NA variable to begin with is good practice because it is clearer to spot an error  
DT[, V1_new := NA_character_]
DT[V1 %in% map_DT$from , V1_new := mapvalues(V1, from=map_DT$from, to=map_DT$to)][]

请注意 plyr 已被弃用，因此 mapvalues 函数在将来的某个时间点有消失的风险。因此，提出的 update-joins 方法可能是一种更好的方法，尽管我发现 mapvalues 更易于阅读。尽管不推荐使用 mapvalues 可能需要数年时间，但很可能需要很多年。但是，在决定是否将其用作工具时要记住一些事情。

【讨论】：