1

我有一个包含超过 90000 个观察值和 1201 个变量的数据表。除最后一列之外的所有列都存储数值，最后一列是源文件名称的列（超过 100 个）。这是数据表的一个小样本：

library(data.table)
DT <- data.table(V1=sample(0:100,20,replace=TRUE), 
V2=sample(0:100,20,replace=TRUE), V3=sample(0:100,20,replace=TRUE), 
V4=sample(0:100,20,replace=TRUE), V5=sample(0:100,20,replace=TRUE), 
V6=sample(0:100,20,replace=TRUE), V7=sample(0:100,20,replace=TRUE), 
file=rep(c("A","B","C","D"), each = 5))

我想要做的是计算每组中所有值的中位数（file）。因此，例如对于 A 组，中位数将立即从第 1、2、3、4、5 行计算。在下一步中，我想根据一个组将中值分配给每一行（下面的预期输出）。

这个问题似乎很简单，我已经搜索了许多关于中位数/平均值计算的类似问题，具体取决于一组（aggregate作为最流行的解决方案之一）。但是，在所有情况下，中位数计算只考虑一列。这里有 7 个（或在我的原始数据 1200 中）并且median不接受 - 我应该提供一个数字向量。因此，我幸运地尝试了unlist, aggregate,dplyr包tapply...

由于数据和组的数量（即file），代码应该是非常自动化和高效的......我非常感谢您的帮助！

如果代码明显失败，只是一个小例子：

DT_median <- setDT(DT)[, DT_med := median(DT[,1:7]), by = file]

预期结果应如下所示：

V1  V2  V3  V4  V5  V6  V7  file DT_med
42  78  9   0   60  46  65  A    37.5
36  36  46  45  5   96  64  A    37.5
83  31  92  100 15  2   9   A    37.5
36  16  49  82  32  4   46  A    37.5
29  17  39  6   62  52  97  A    37.5
37  70  17  90  8   10  93  B    47
72  62  68  83  96  77  20  B    47
10  47  29  2   93  16  30  B    47
69  87  7   47  96  17  8   B    47
23  70  72  27  10  86  49  B    47
78  51  13  33  56  6   39  C    51
28  92  100 5   75  33  17  C    51
71  82  9   20  34  83  22  C    51
62  40  84  87  37  45  34  C    51
55  80  55  94  66  96  12  C    51
93  1   99  97  7   77  6   D    41
53  55  71  12  19  25  28  D    41
27  25  28  89  41  22  60  D    41
91  25  25  57  21  98  27  D    41
2   63  17  53  99  65  95  D    41
4

1 回答 1

3

由于我们median要从所有值中计算，按“文件”分组，unlistData.table ( .SD) 的子集，获取median并分配 ( :=) 输出以创建新列“DT_med”

library(data.table)
DT[, DT_med := median(unlist(.SD), na.rm = TRUE), by = file]
于 2019-06-12T14:50:39.437 回答