R语言数据分析：（五）data.table库（数据处理）

R语言数据分析

---

参考资料:
Data Analysis and Prediction Algorithms with R

5.data.table

data.table库是用于数据整理和分析的，在第三章中我们介绍了dplyr包来进行数据处理。本章介绍在data.table中如何实现相同的功能

5.1 操作数据表

data.table是一个单独的库。需要单独安装导入。本章介绍一些与第三章：R语言数据处理相关的方法：
mutate,filter,select,group_by等

首先我们使用setDT函数将数据框装换为一个data.table，否则 后面的操作可能会失效

library(tidyverse)
library(data.table)
library(dslabs)

murders <- copy(murders)
murders <- setDT(murders)

5.1.1 selecting

对数据进行选择指定列，在使用dplyr时，我们是这样写的

select(murders, state, region) %>% head()

A data.table: 6 × 2

state	region
Alabama	South
Alaska	West
Arizona	West
Arkansas	South
California	West
Colorado	West

下面我们演示一下在data.table中是如何使用的

murders[, c('state', 'region')] %>% head()

A data.table: 6 × 2

state	region
Alabama	South
Alaska	West
Arizona	West
Arkansas	South
California	West
Colorado	West

也可以直接使用.()来进行访问相应变量

murders[,.(state, rate)] %>% head()

A data.table: 6 × 2

state	rate
Alabama	0.2824424
Alaska	0.2675186
Arizona	0.3629527
Arkansas	0.3189390
California	0.3374138
Colorado	0.1292453

5.1.2 添加一列或者改变一列

我们在dplyr中使用mutate函数

murders %>% mutate(murders, rate = total / population * 10^5) %>% head()

A data.table: 6 × 6

state	abb	region	population	total	rate
Alabama	AL	South	4779736	135	2.824424
Alaska	AK	West	710231	19	2.675186
Arizona	AZ	West	6392017	232	3.629527
Arkansas	AR	South	2915918	93	3.189390
California	CA	West	37253956	1257	3.374138
Colorado	CO	West	5029196	65	1.292453

在data.table中，我们使用:=来定义新的一列，这样能节约电脑内存

murders[, rate := total/population * 10 ^5] %>% head()

A data.table: 6 × 6

state	abb	region	population	total	rate
Alabama	AL	South	4779736	135	2.824424
Alaska	AK	West	710231	19	2.675186
Arizona	AZ	West	6392017	232	3.629527
Arkansas	AR	South	2915918	93	3.189390
California	CA	West	37253956	1257	3.374138
Colorado	CO	West	5029196	65	1.292453

同样我们可以使用:=定义多个列

murders[, ':='(rate=total / population * 10000, rank = rank(population))] %>% head()

A data.table: 6 × 7

state	abb	region	population	total	rate	rank
Alabama	AL	South	4779736	135	0.2824424	29
Alaska	AK	West	710231	19	0.2675186	5
Arizona	AZ	West	6392017	232	0.3629527	36
Arkansas	AR	South	2915918	93	0.3189390	20
California	CA	West	37253956	1257	0.3374138	51
Colorado	CO	West	5029196	65	0.1292453	30

5.1.3 引用和复制

data.table包的设计是为了避免浪费内存。因此我们可以复制一个表

x <- data.table(a=1)
y <- x

y实际是x的引用，而不是一个新对象，相当于是x的另一个名字。只有当改变y的时候，才会生成一个新对象
然而在使用:=函数是，即便改变x也不会生成一个新的y对象，有时候我们不希望改变原来的对象,此时需要用copy()函数

x [,a:=2]
y

A data.table: 1 × 1

a
2

z = copy(x)
x[,a:=3]
z

A data.table: 1 × 1

a
1

5.1.4索引

在dplyr中，我们通过下述代码过滤

filter(murders, rate <= 0.7) %>% head()

A data.table: 6 × 7

state	abb	region	population	total	rate	rank
Alabama	AL	South	4779736	135	0.2824424	29
Alaska	AK	West	710231	19	0.2675186	5
Arizona	AZ	West	6392017	232	0.3629527	36
Arkansas	AR	South	2915918	93	0.3189390	20
California	CA	West	37253956	1257	0.3374138	51
Colorado	CO	West	5029196	65	0.1292453	30

在data.table中，我们可以直接使用索引

murders[rate<=0.7,.(state, rate)] %>% head()

A data.table: 6 × 2

state	rate
Alabama	0.2824424
Alaska	0.2675186
Arizona	0.3629527
Arkansas	0.3189390
California	0.3374138
Colorado	0.1292453

5.2 数据描述性统计

和第三章一样，我们使用heights数据集为例

data(heights)
# 将数据转换为data.table对象
heights <- setDT(heights)

在data.table中，我们可以使用.()函数来直接访问相应的变量。因此我们可以在原来dplyr中简化代码如下

s <- heights[, .(average = mean(height), standard_deviation = sd(height))]
s

A data.table: 1 × 2

average	standard_deviation
68.32301	4.078617

下面假设我们要查询女性的平均身高和标准差

s <- heights[sex == 'Female', .(avg = mean(height), standard_deviation = sd(height))]
s

A data.table: 1 × 2

avg	standard_deviation
64.93942	3.760656

5.2.1 多个描述性统计指标

还记得在第三章中，我们定义了如下函数

median_min_max <- function(x){
    qs <- quantile(x, c(0.5,0,1))
    data.frame(median=qs[1], min = qs[2], max = qs[3])
}

heights[,.(median_min_max(height))]

A data.table: 1 × 3

median	min	max
68.5	50	82.67717

5.2.2 分组统计

在dplyr中我们使用group_by来进行分组，在data.table中，我们使用by进行分组

heights[,.(avg = mean(height), standard_deviation=sd(height)), by = sex]

A data.table: 2 × 3

sex	avg	standard_deviation
Male	69.31475	3.611024
Female	64.93942	3.760656

5.3 对数据排序

我们可以使用与筛选相同的方法对行进行排序。以下是按谋杀率排序的州：

murders[order(population)] %>%  head()

A data.table: 6 × 7

state	abb	region	population	total	rate	rank
Wyoming	WY	West	563626	5	0.08871131	1
District of Columbia	DC	South	601723	99	1.64527532	2
Vermont	VT	Northeast	625741	2	0.03196211	3
North Dakota	ND	North Central	672591	4	0.05947151	4
Alaska	AK	West	710231	19	0.26751860	5
South Dakota	SD	North Central	814180	8	0.09825837	6