data.table：根据指标列值和名称创建新的字符列答案

【问题标题】：data.table: Create new character column based on indicator columns values and namesdata.table：根据指标列值和名称创建新的字符列
【发布时间】：2020-07-16 03:05:28
【问题描述】：

我有一个包含 1.6x10^8 记录的 data.table，我想根据值为 1 的指示符列名称创建一个新的字符列。

例如，

library(data.table)
DT <- data.table::data.table(ID=c("a","a","a","b","b"),
                             drugA=c(1,1,1,0,0),
                             drugB=c(0,1,1,1,0),
                             drugC=c(0,0,1,0,1))

   ID drugA drugB drugC
1:  a     1     0     0
2:  a     1     1     0
3:  a     1     1     1
4:  b     0     1     0
5:  b     0     0     1

### NOTE: I know the paste0(...,collapse) argument might be helpful in concatenating the drug names as an intermediate step
   ID drugA drugB drugC          exposure
1:  a     1     0     0             drugA
2:  a     1     1     0       drugA+drugB
3:  a     1     1     1 drugA+drugB+drugC
4:  b     0     1     0             drugB
5:  b     0     0     1             drugC

我希望它尽可能健壮，并且完全依赖 data.table 语法和/或其他有用的包/功能（例如 dcast）；我不想创建一个广泛的用户定义函数，因为考虑到我的 data.table 大小，运行它需要很长时间。

我查看了其他帖子，但找不到与我的情况和所需输出相似的内容。

任何帮助将不胜感激。

【问题讨论】：

标签： r data.table calculated-columns dcast

【解决方案1】：

library('data.table')
DT[, id := .I]
df <- melt(DT, id.vars = 'id', measure.vars = c("drugA", "drugB", "drugC"))
df[value == 1, expose := 'exposure']
df[value == 0, expose := 'no_exposure'][, value := NULL]
df <- dcast(df, id ~ expose, fun.aggregate = function(x) paste0(x, collapse = "+"), value.var = 'variable')
DT[df, on = 'id'][, id := NULL][]
#    ID drugA drugB drugC          exposure no_exposure
# 1:  a     1     0     0             drugA drugB+drugC
# 2:  a     1     1     0       drugA+drugB       drugC
# 3:  a     1     1     1 drugA+drugB+drugC            
# 4:  b     0     1     0             drugB drugA+drugC
# 5:  b     0     0     1             drugC drugA+drugB

【讨论】：

【解决方案2】：

我们可以按行序列进行分组，将 .SDcols 指定为“药物”列，将 Data.table 的子集 (.SD) 转换为 logical，使用它来子集列名和paste他们在一起

library(data.table)
DT[,  exposure := paste(names(.SD)[as.logical(.SD)], collapse= '+'), 
       1:nrow(DT), .SDcols = drugA:drugC]
DT
#   ID drugA drugB drugC          exposure
#1:  a     1     0     0             drugA
#2:  a     1     1     0       drugA+drugB
#3:  a     1     1     1 drugA+drugB+drugC
#4:  b     0     1     0             drugB
#5:  b     0     0     1             drugC

或者不是按行分组，我们可以遍历列，将值更改为列名，然后将 paste 与 do.call 并删除 NA 与 gsub 元素

DT[, exposure := gsub("NA\\+|\\+NA", "", do.call(paste, 
   c(Map(function(x, y) names(.SD)[(NA^!x) * y], .SD, 
   seq_along(.SD)), sep="+"))), .SDcols = drugA:drugC]

【讨论】：

@theneil 我添加了一个应该比第一个更快的选项
您的第一篇代码发布耗时约 25 分钟，而您的第二篇代码发布耗时约 10 分钟。这是在 1.6x10^8 行数据上。谢谢