在R data.table中为多列计算分组统计量的优化方法

示例数据 #

先构造测试用的data.table：

library(data.table)
dt <- data.table(
  class = rep(c("A", "B"), each = 3),
  val1 = c(1,3,5,2,4,6),
  val2 = c(10,20,30,40,50,60)
)

避免错误写法 #

你之前用返回列表的函数结合lapply()的写法会导致列内嵌套列表，比如：

# 错误示范：列内为列表，不符合需求
dt[, lapply(.SD, function(x) list(min=min(x), max=max(x))), 
   by = class, .SDcols = c("val1", "val2")]

输出结果中val1和val2列都是列表类型，无法直接使用统计值。

最优实现方式 #

方法1：手动指定列（变量少的场景）

如果需要计算的变量不多，直接在分组汇总时明确生成每个统计列：

dt[, .(
  val1_min = min(val1), val1_max = max(val1),
  val2_min = min(val2), val2_max = max(val2)
), by = class]

方法2：编程式生成（变量多的场景）

如果变量或统计量较多，用编程方式批量生成列，避免重复代码：

# 定义要计算的变量和统计量
target_cols <- c("val1", "val2")
stats <- list(min = min, max = max)

# 生成计算表达式与对应列名
expr_list <- unlist(lapply(target_cols, function(col) {
  lapply(names(stats), function(stat) {
    call(stat, as.name(col))
  })
}), recursive = FALSE)
names(expr_list) <- paste0(rep(target_cols, each = length(stats)), "_", rep(names(stats), length(target_cols)))

# 执行分组计算
dt[, expr_list, by = class]

最终输出效果 #

两种方法都会直接生成符合需求的结果，每个变量的统计量单独成列：

class val1_min val1_max val2_min val2_max
1:     A        1        5       10       30
2:     B        2        6       40       60

这种方式全程用data.table的原生语法实现，不需要后续用dcast调整结构，效率更高且代码更简洁。

内容的提问来源于stack exchange，提问作者Daniel