Estou explorando maneiras diferentes de agrupar uma função de agregação (mas realmente poderia ser qualquer tipo de função) usando data.table (um exemplo de dplyr também é fornecido) e estava pensando nas melhores práticas para programação / metaprogramação funcional com relação a

desempenho (a implementação importa em relação à otimização potencial que a tabela de dados pode aplicar)legibilidade (existe um padrão comumente acordado, por exemplo, na maioria dos pacotes que utilizam data.table)facilidade de generalização (existem diferenças na maneira como a metaprogramação é "generalizável")

A aplicação básica é agregar uma tabela de maneira flexível, ou seja, parametrizar as variáveis a serem agregadas, as dimensões a serem agregadas, os respectivos nomes de variáveis resultantes de ambos e da função de agregação. Eu implementei (quase) a mesma função em três data.table e uma maneira dplyr:

fn_dt_agg1 (aqui não consegui descobrir como parametrizar a função de agregação)fn_dt_agg2 (inspirado na resposta de @jangoreckiaqui que ele chama de "computação na linguagem")fn_dt_agg3 (inspirado na resposta de @Arunaqui que parece ser outra abordagem da metaprogramação)fn_df_agg1 (minha humilde abordagem do mesmo no dplyr)

bibliotecas

library(data.table)
library(dplyr)

dados

n_size <- 1*10^6
sample_metrics <- sample(seq(from = 1, to = 100, by = 1), n_size, rep = T)
sample_dimensions <- sample(letters[10:12], n_size, rep = T)
df <- 
  data.frame(
    a = sample_metrics,
    b = sample_metrics,
    c = sample_dimensions,
    d = sample_dimensions,
    x = sample_metrics,
    y = sample_dimensions,
    stringsAsFactors = F)

dt <- as.data.table(df)

implementações

1. fn_dt_agg1

fn_dt_agg1 <- 
  function(dt, metric, metric_name, dimension, dimension_name) {

  temp <- dt[, setNames(lapply(.SD, function(x) {sum(x, na.rm = T)}), 
                        metric_name), 
             keyby = dimension, .SDcols = metric]
  temp[]
}

res_dt1 <- 
  fn_dt_agg1(
    dt = dt, metric = c("a", "b"), metric_name = c("a", "b"),
    dimension = c("c", "d"), dimension_name = c("c", "d"))

2. fn_dt_agg2

fn_dt_agg2 <- 
  function(dt, metric, metric_name, dimension, dimension_name,
           agg_type) {

  j_call = as.call(c(
    as.name("."),
    sapply(setNames(metric, metric_name), 
           function(var) as.call(list(as.name(agg_type), 
                                      as.name(var), na.rm = T)), 
           simplify = F)
    ))

  dt[, eval(j_call), keyby = dimension][]
}

res_dt2 <- 
  fn_dt_agg2(
    dt = dt, metric = c("a", "b"), metric_name = c("a", "b"),
    dimension = c("c", "d"), dimension_name = c("c", "d"),
    agg_type = c("sum"))

all.equal(res_dt1, res_dt2)
#TRUE

3. fn_dt_agg3

fn_dt_agg3 <- 
  function(dt, metric, metric_name, dimension, dimension_name, agg_type) {

  e <- eval(parse(text=paste0("function(x) {", 
                              agg_type, "(", "x, na.rm = T)}"))) 

  temp <- dt[, setNames(lapply(.SD, e), 
                        metric_name), 
             keyby = dimension, .SDcols = metric]
  temp[]
}

res_dt3 <- 
  fn_dt_agg3(
    dt = dt, metric = c("a", "b"), metric_name = c("a", "b"),
    dimension = c("c", "d"), dimension_name = c("c", "d"), 
    agg_type = "sum")

all.equal(res_dt1, res_dt3)
#TRUE

4. fn_df_agg1

fn_df_agg1 <-
  function(df, metric, metric_name, dimension, dimension_name, agg_type) {

    all_vars <- c(dimension, metric)
    all_vars_new <- c(dimension_name, metric_name)
    dots_group <- lapply(dimension, as.name)

    e <- eval(parse(text=paste0("function(x) {", 
                                agg_type, "(", "x, na.rm = T)}")))

    df %>%
      select_(.dots = all_vars) %>%
      group_by_(.dots = dots_group) %>%
      summarise_each_(funs(e), metric) %>%
      rename_(.dots = setNames(all_vars, all_vars_new))
}

res_df1 <- 
  fn_df_agg1(
    df = df, metric = c("a", "b"), metric_name = c("a", "b"),
    dimension = c("c", "d"), dimension_name = c("c", "d"),
    agg_type = "sum")

all.equal(res_dt1, as.data.table(res_df1))
#"Datasets has different keys. 'target': c, d. 'current' has no key."

avaliação comparativa

Por curiosidade e para o meu futuro eu e outras partes interessadas, executei uma referência de todas as 4 implementações que potencialmente já lançam luz sobre o problema de desempenho (embora eu não seja um especialista em benchmarking, por favor, desculpe se não me inscrevi em comum) melhores práticas acordadas). Eu esperava que fn_dt_agg1 fosse o mais rápido, pois possui um parâmetro a menos (função de agregação), mas isso não parece ter um impacto considerável. Também fiquei surpreso com a função dplyr relativamente lenta, mas isso pode ser devido a uma má escolha de design do meu lado.

library(microbenchmark)
bench_res <- 
  microbenchmark(
    fn_dt_agg1 = 
      fn_dt_agg1(
      dt = dt, metric = c("a", "b"), 
      metric_name = c("a", "b"), 
      dimension = c("c", "d"), 
      dimension_name = c("c", "d")), 
    fn_dt_agg2 = 
      fn_dt_agg2(
        dt = dt, metric = c("a", "b"), 
        metric_name = c("a", "b"), 
        dimension = c("c", "d"), 
        dimension_name = c("c", "d"),
        agg_type = c("sum")),
    fn_dt_agg3 =
      fn_dt_agg3(
        dt = dt, metric = c("a", "b"), 
        metric_name = c("a", "b"),
        dimension = c("c", "d"), 
        dimension_name = c("c", "d"),
        agg_type = c("sum")),
    fn_df_agg1 =
      fn_df_agg1(
        df = df, metric = c("a", "b"), metric_name = c("a", "b"),
        dimension = c("c", "d"), dimension_name = c("c", "d"),
        agg_type = "sum"),
    times = 100L)

bench_res

# Unit: milliseconds
#       expr      min       lq     mean   median       uq       max neval
# fn_dt_agg1 28.96324 30.49507 35.60988 32.62860 37.43578 140.32975   100
# fn_dt_agg2 27.51993 28.41329 31.80023 28.93523 33.17064  84.56375   100
# fn_dt_agg3 25.46765 26.04711 30.11860 26.64817 30.28980 153.09715   100
# fn_df_agg1 88.33516 90.23776 97.84826 94.28843 97.97154 172.87838   100

outros recursos

Advanced R por Hadley Wickham: ExpressõesAdvanced R por Hadley Wickham: FunçõesDefinição da Linguagem CRAN R: Computando na LinguagemAvaliação não padronizada do CRANData.table FAQ: programaticamente passando expressões em jMetaprogramação Data.tableR junção data.table: SQL seleciona sintaxe semelhante em tabelas unidas?Criar dinamicamente chamada para pesquisa de várias colunasDesignação rápida de data.table de várias colunas por grupo a partir da pesquisaComo alguém pode trabalhar totalmente genericamente em data.table em R com nomes de colunas em variáveisUsando get inside lapply, dentro de uma função