dplyr如何简洁高效实现类data.table的分组条件聚合
基于dplyr实现带筛选条件的分组等价操作
完全可以通过原生dplyr实现和data.table同等简洁、无冗余步骤的效果,不需要生成中间临时列。
冗余写法的问题根源
之前需要多步生成临时列的写法,本质是默认聚合函数必须接收整组的全部向量做计算,但实际上R的向量逻辑索引完全可以直接在聚合入参里完成筛选,根本不需要额外存储筛选后的值。
最简实现代码
iris %>% group_by(Species) %>% mutate(new_var = if_else( Sepal.Length < 5, mean(Sepal.Length[Sepal.Length < 5], na.rm = TRUE), NA_real_ )) %>% as_tibble()
逻辑说明
- 先按
Species完成分组,聚合阶段直接通过Sepal.Length[Sepal.Length < 5]的索引写法,筛选出组内满足Sepal.Length <5的样本计算对应均值,全程不生成临时列 - 通过
if_else逐行判断:满足筛选条件的行填入计算得到的组内均值,不满足的行直接赋值为NA_real_ - 最终输出结果和data.table实现完全一致,以setosa组为例,所有满足花萼长度小于5的行,统一填充组内计算得到的4.67均值,不满足条件的行自动保留NA
- 该实现的内存占用、运行效率和data.table实现处于同一量级,无额外性能损耗
可选简化技巧
如果不想重复书写筛选条件,可以利用dplyr的组内常量计算特性,避免逻辑重复:
iris %>% group_by(Species) %>% mutate( # 组内计算符合条件的均值(为全组固定常量) cond_mean = mean(Sepal.Length[Sepal.Length < 5], na.rm = TRUE), # 逐行判断是否赋值 new_var = if_else(Sepal.Length < 5, cond_mean, NA_real_) ) %>% select(-cond_mean)
这种写法的好处是当筛选条件、聚合逻辑需要调整时,只需要修改对应位置的代码,不需要重复维护两处相同的逻辑判断。
内容的提问来源于stack exchange,提问作者N1loon
相关产品推荐
相关产品推荐

