R语言data.table如何基于自定义函数创建汇总统计表

你原有的自定义统计函数可以直接复用，不需要修改，data.table原生语法就能实现完全一致的汇总效果，不需要依赖purrr等额外包，大数据量下性能远高于dplyr实现。

最简实现（和原dplyr输出完全对齐） #

# 加载依赖、读入数据
library(data.table)
library(mlbench)
data(BostonHousing)
setDT(BostonHousing) # 转为data.table对象，无内存拷贝开销

# 自定义统计函数，和原有写法完全一致，无需改动
fun_stats <- function(x) {
  min <- min(x, na.rm = TRUE)
  max <- max(x, na.rm = TRUE)
  mean <- mean(x, na.rm = TRUE)
  list(min = min, max = max, mean = mean)
}

# 核心计算逻辑
stats <- BostonHousing[,
  lapply(.SD, fun_stats),
  .SDcols = is.numeric
][, var := names(.SD)][, .(var, min, max, mean)]

逻辑说明 #

• .SDcols = is.numeric 等价于原dplyr写法中的select_if(is.numeric)，自动筛选所有数值列作为计算子集
• lapply(.SD, fun_stats) 等价于purrr::map(fun_stats)，遍历所有选中的数值列应用自定义统计函数，data.table会自动将函数返回的列表结构展开为规范的多列格式
• 最后补充var列对应原写法中bind_rows(.id = "var")的变量名列，调整列顺序后输出的表结构、数值和原dplyr方案生成的结果完全一致

扩展性更强的长表写法 #

如果后续需要增加分组统计需求（比如按分类变量分组计算各数值列的统计值），可以用melt转长表的写法，改造成本极低：

stats <- melt(
  BostonHousing,
  measure.vars = names(which(sapply(BostonHousing, is.numeric)))
)[, fun_stats(value), by = variable][, setnames(.SD, "variable", "var")]

如果后续需要给自定义函数加统计指标，比如中位数、标准差、分位数，只需要修改fun_stats的返回列表即可，外层计算逻辑不需要调整。

内容的提问来源于stack exchange，提问作者carl