data.table中plyr:：mapvalues的替代方案

我正在寻找

data.table

中的

plyr:：mapvalues

的可读替代品

例如，在

plyr:：mapvalues

中，如果我想将

mtcars

中的

carb

的值更改为

type1、type2、type3

，我会这样做：

library(tidyverse)

mtcars %>% 
  mutate(carb = plyr::mapvalues(
    carb,
    from = c("1", "2", "3", "4", "6", "8"),
    to = c("type1", "type1", "type2", "type2", "type3", "type3")))

为了在

data.table

中获得相同的结果，我会这样做，这似乎不是传统的方法：

library(data.table)

dt <- data.table(mtcars)
dt$carb <- as.character(dt$carb)

dt[which(carb %in% c("1", "2")), 
   carb := "type1"]

dt[which(carb %in% c("3", "4")), 
   carb := "type2"]

dt[which(carb %in% c("6", "8")), 
   carb := "type3"]

库（data.table）
dt使用
match

dt[, carb := rep(paste0("Type", 1:3), each = 2)[match(carb, c("1","2","3","4","6","8"))]]
#    mpg cyl  disp  hp drat    wt  qsec vs am gear  carb
#1: 21.0   6 160.0 110 3.90 2.620 16.46  0  1    4 Type2
#2: 21.0   6 160.0 110 3.90 2.875 17.02  0  1    4 Type2
#3: 22.8   4 108.0  93 3.85 2.320 18.61  1  1    4 Type1
#4: 21.4   6 258.0 110 3.08 3.215 19.44  1  0    3 Type1
#5: 18.7   8 360.0 175 3.15 3.440 17.02  0  0    3 Type1
#6: 18.1   6 225.0 105 2.76 3.460 20.22  1  0    3 Type1
#7: 14.3   8 360.0 245 3.21 3.570 15.84  0  0    3 Type2
#8: 24.4   4 146.7  62 3.69 3.190 20.00  1  0    4 Type1
#9: 22.8   4 140.8  95 3.92 3.150 22.90  1  0    4 Type1
#10: 19.2   6 167.6 123 3.92 3.440 18.30  1  0    4 Type2
#...

使用
base:：factor
是最简单的方法：

库（data.table）
setDT（mtcars）[，carb:=系数（carb，
级别=c（“1”、“2”、“3”，
"4", "6", "8"),
标签=c（“类型1”、“类型1”，
“类型2”、“类型2”，
“类型3”、“类型3”））][]
#>mpg气缸显示hp drat wt qsec与am齿轮carb
#>1:21.06160.01103.902.62016.46014类型2
#>2:21.06160.01103.902.87517.02014类型2
#>3:22.8 4 108.0 93 3.85 2.320 18.61 1 4类型1
#>4:21.4 6258.0 110 3.08 3.215 19.44 1 0 3类型1
#>5:18.7 8 360.0 175 3.15 3.440 17.02 0 3类型1
#>6:18.1 6225.0 105 2.76 3.460 20.22 1 0 3类型1
#>7:14.3 8 360.0 245 3.21 3.570 15.84 0 0 3类型2
#>8:24.4 146.7 62 3.69 3.190 20.00 1 0 4类型1
#>9:22.84140.8953.923.15022.90104类型1
## ...
我很惊讶没有人建议将此作为加入：

dt[
  .(carb=c("1","2","3","4","6","8"), type=rep(c("type1","type2","type3"),each=2)),
  on="carb",
  type := i.type
]

它还可以很容易地扩展到多个变量的匹配。
了解OP是在寻找可读性，但它是主观的，添加了一些时间，如comm wiki for ref:

定时代码：

library(data.table)
set.seed(0L)
from = c("1", "2", "3", "4", "6", "8")
to = c("type1", "type1", "type2", "type2", "type3", "type3")
nr <- 1e7
DT <- data.table(carb=sample(from, nr, TRUE))
DT_match <- copy(DT)
DT_factor <- copy(DT)
DT_updjoin <- copy(DT)
DT_updjoin_setidx <- copy(DT)
DT_plyr <- copy(DT)

mtd_updjoin <- function() {
    DT_updjoin[.(carb=from, type=to), on="carb", type := i.type]
}

mtd_updjoin_setidx <- function() {
    setindex(DT_updjoin_setidx, carb)
    d <- data.table(carb=from, type=to, key="carb")
    DT_updjoin_setidx[d, on=.(carb), type := i.type]
}

mtd_match <- function() {
    DT_match[, carb := to[match(carb, from)]]
}

mtd_factor <- function() {
    DT_factor[, carb := factor(carb, levels=from, labels=to)]
}

mtd_plyr <- function() {
  DT_plyr[, carb2 := plyr::mapvalues(carb, from = c("1", "2", "3", "4", "6", "8"), to = c("type1", "type1", "type2", "type2", "type3", "type3"))]
}


bench::mark(mtd_factor(), mtd_match(), mtd_updjoin(), mtd_updjoin_setidx(), mtd_plyr(), check=FALSE)

库（data.table）
种子集（0升）
from=c（“1”、“2”、“3”、“4”、“6”、“8”）
to=c（“类型1”、“类型1”、“类型2”、“类型2”、“类型3”、“类型3”）
nr[UPDATE]我不知道为什么有些人不建议删除
which（）
，但这不是你想的吗：

library(tidyverse)
library(data.table)

dt<-as.data.table(mtcars)
dt[,carb:=as.character(carb)]

dt[carb %in% c("1", "2"),carb:="type1"]
dt[carb %in% c("3", "4"),carb:="type2"]
dt[carb %in% c("6", "8"),carb:="type3"]


库（tidyverse）
库（数据表）
我不确定我是否理解这个问题
plyr:：mapvalues
在
data.table
中也以同样的方式工作
dt[，carb2:=plyr:：mapvalues（carb，from=c（“1”、“2”、“3”、“4”、“6”、“8”），to=c（“type1”、“type1”、“type2”、“type2”、“type3”、“type3”））]
你需要一个学习用的替代方案吗？@Ronaksha也许我应该在我的问题中澄清一下。我对data.table有些了解，所以我想留在
data.table
环境中。但是，我没有想过在
data.table
中使用
plyr:：mapvalues
，只有在使用管道时才这样。我不知道它在性能方面如何工作。虽然在data.table中使用
plyr:：mapvalues
速度较慢，但它仍然是一个易读且简单的答案。你能从评论中添加@Ronak Shah答案吗<代码>dt[，carb2:=plyr:：mapvalues（carb，从=c（“1”、“2”、“3”、“4”、“6”、“8”）到=c（“1”、“1”、“2”、“2”、“3”、“3”））））
对不起，DJV，我没有安装
plyr
。请随意编辑comm wikiiIt’这是一个老问题，但感谢您的回答：）。但是，请注意，我要寻找的是一个线性过程，而不是多步骤过程。
library(tidyverse)
library(data.table)

dt<-as.data.table(mtcars)
dt[,carb:=as.character(carb)]

dt[carb %in% c("1", "2"),carb:="type1"]
dt[carb %in% c("3", "4"),carb:="type2"]
dt[carb %in% c("6", "8"),carb:="type3"]