什么是对data.table进行子集化的最快方法？

Question

在我看来,执行a的row/col子集的最快方法data.table是使用join和nomatchoption.

它是否正确？

DT = data.table(rep(1:100, 100000), rep(1:10, 1000000))
setkey(DT, V1, V2)
system.time(DT[J(22,2), nomatch=0L])
# user  system elapsed 
# 0.00    0.00    0.01 
system.time(subset(DT, (V1==22) & (V2==2)))
# user  system elapsed 
# 0.45    0.21    0.67 

identical(DT[J(22,2), nomatch=0L],subset(DT, (V1==22) & (V2==2)))
# [1] TRUE

基于二进制搜索的快速连接也存在一个问题:我找不到在一个维度中选择所有项目的方法.

如果我想要随后说:

DT[J(22,2), nomatch=0]  # subset on TWO dimensions
DT[J(22,), nomatch=0]   # subset on ONE dimension only
# Error in list(22, ) : argument 2 is empty

无需将密钥重新设置为只有一个维度(因为我在一个循环中,我不想每次都休息密钥).

Answer 1

什么是最快的子集方式data.table？

使用基于二进制搜索的子集功能是最快的.请注意,子集需要该选项,nomatch = 0L以便仅返回匹配的结果.

如何通过其中一个键只用两个键设置子集？

如果您设置了两个键,DT并且您希望按第一个键进行子集,那么您可以只提供第一个值,而不需要为第二个键提供任何内容.那是:J(.)

# will return all columns where the first key column matches 22
DT[J(22), nomatch=0L] 

相反,如果您希望按第二个键进行子集,那么到目前为止,您必须为第一个键提供所有唯一值.那是:

# will return all columns where 2nd key column matches 2
DT[J(unique(V1), 2), nomatch=0L]

这也在SO帖子中显示.虽然我更愿意DT[J(, 2)]为这种情况工作,因为这似乎相当直观.

还有一个待处理的功能请求,FR#1007用于实现二级密钥,完成后将处理此问题.

这是一个更好的例子:

DT = data.table(c(1,2,3,4,5), c(2,3,2,3,2))
DT
#    V1 V2
# 1:  1  2
# 2:  2  3
# 3:  3  2
# 4:  4  3
# 5:  5  2
setkey(DT,V1,V2)
DT[J(unique(V1),2)]
#    V1 V2
# 1:  1  2
# 2:  2  2
# 3:  3  2
# 4:  4  2
# 5:  5  2
DT[J(unique(V1),2), nomatch=0L]
#    V1 V2
# 1:  1  2
# 2:  3  2
# 3:  5  2
DT[J(3), nomatch=0L]
#    V1 V2
# 1:  3  2

综上所述:

# key(DT) = c("V1", "V2")

# data.frame                        |             data.table equivalent
# =====================================================================
# subset(DF, (V1 == 3) & (V2 == 2)) |            DT[J(3,2), nomatch=0L]
# subset(DF, (V1 == 3))             |              DT[J(3), nomatch=0L]
# subset(DF, (V2 == 2))             |  DT[J(unique(V1), 2), nomatch=0L]