如何扩展data.table的lapply代码实现分组多指标统计？

原数据表dt_1 #

Category <- c('A','A','A','B','B','B','B','A','B','B')                       
Amount <- c(10,20,30,15,20,40, 50, 80,20,10)                     
ID <- c('x01','x01','x02','x03','x03','x04','x05','x06','x07','x08') 
dt_1 <- data.table(Category, Amount, ID) 
dt_1

目标输出表dt_2 #

Category <- c('A','B')
NumRecords <- c(4,6)
TotalAmount <- c(140,155)
CountUniqueID <- c(3,5)
dt_2 <- data.table(Category, NumRecords, TotalAmount, CountUniqueID)
dt_2

基于lapply的扩展实现代码 #

可以在j参数中结合lapply与自定义统计逻辑，一次性生成所有需要的统计列：

ColsBy <- c("Category")
dt_2 <- dt_1[, .(
  NumRecords = .N,
  TotalAmount = lapply(.SD, sum, na.rm=TRUE)[[1]],
  CountUniqueID = length(unique(ID))
), by = ColsBy, .SDcols = "Amount"]

代码说明 #

• .N：直接获取每个分组的记录总数，对应NumRecords列
• lapply(.SD, sum, na.rm=TRUE)[[1]]：通过.SD指定Amount列，用lapply求和后提取结果值，对应TotalAmount列
• length(unique(ID))：统计分组内唯一ID的数量，对应CountUniqueID列

也可以把统计逻辑整合为列表形式，更贴合lapply的使用习惯：

ColsBy <- c("Category")
dt_2 <- dt_1[, c(
  .(NumRecords = .N),
  lapply(.SD, sum, na.rm=TRUE),
  .(CountUniqueID = length(unique(ID)))
), by = ColsBy, .SDcols = "Amount"]
# 重命名求和后的列，与目标表列名统一
setnames(dt_2, "Amount", "TotalAmount")

内容的提问来源于stack exchange，提问作者highbury