data.table中实现unstack()长转宽功能的正确方法是什么？

问题描述 #

平时用base R的unstack()可以轻松将长格式数据转成宽格式，比如示例中把包含class（A/B/C重复3次）和value的9行数据转成3行3列的结果，但用data.table的dcast()时得到的是9行的错误结果，还会遇到Aggregate function missing, defaulting to 'length'的提示，导致结果行数不符合预期，且不想使用聚合函数。

示例代码及错误结果：

library(data.table)
set.seed(1)
df <- data.frame(class = factor(rep(c("A", "B", "C"), times = 3)),
                 value = runif(9))
# 期望的unstack结果
unstack(df, form = value ~ class)
#>           A         B         C
#> 1 0.2655087 0.3721239 0.5728534
#> 2 0.9082078 0.2016819 0.8983897
#> 3 0.9446753 0.6607978 0.6291140

dt <- data.table(df)
# 错误的dcast用法
dcast(dt, formula = value ~ class, value.var = "value")
#>        value         A         B         C
#> 1: 0.2016819        NA 0.2016819        NA
#> 2: 0.2655087 0.2655087        NA        NA
#> 3: 0.3721239        NA 0.3721239        NA
#> 4: 0.5728534        NA        NA 0.5728534
#> 5: 0.6291140        NA        NA 0.6291140
#> 6: 0.6607978        NA 0.6607978        NA
#> 7: 0.8983897        NA        NA 0.8983897
#> 8: 0.9082078 0.9082078        NA        NA
#> 9: 0.9446753 0.9446753        NA        NA

解决方法 #

核心是给每个class分组添加行序号，让dcast()能识别同一行对应的各个class的value，避免触发聚合逻辑：

1. 先为每个class分组生成递增的序号idx，标记每个value在组内的位置
2. 使用dcast()时，将idx作为行变量，class作为列变量，即可得到和unstack()一致的结果

修正后的代码 #

library(data.table)
set.seed(1)
df <- data.frame(class = factor(rep(c("A", "B", "C"), times = 3)),
                 value = runif(9))
dt <- data.table(df)

# 给每个class分组添加行序号
dt[, idx := seq_len(.N), by = class]

# 正确的dcast用法
dcast(dt, idx ~ class, value.var = "value")
#>    idx         A         B         C
#> 1:   1 0.2655087 0.3721239 0.5728534
#> 2:   2 0.9082078 0.2016819 0.8983897
#> 3:   3 0.9446753 0.6607978 0.6291140

关键说明 #

• 之前错误的dcast(dt, value ~ class)把value作为行分组变量，导致每个value单独成一行，而不是按组内顺序合并
• 添加idx后，每个(idx, class)组合唯一，dcast()无需聚合即可直接填充对应值，不会再出现Aggregate function missing的提示
• 如果不需要保留idx列，可以用dcast(...)[, idx := NULL]移除

内容的提问来源于stack exchange，提问作者nukubiho