data.table join 很难理解

Question

我正在 R 中学习 data.table。这个连接让我困惑了几个小时。有人可以帮我理解吗？

library(data.table)
DT = data.table(x = rep(c("b", "a", "c"), each = 3),
                y = c(1, 3, 6),
                v = 1:9)
DT
#>   x y v
# 1: b 1 1
# 2: b 3 2
# 3: b 6 3
# 4: a 1 4
# 5: a 3 5
# 6: a 6 6
# 7: c 1 7
# 8: c 3 8
# 9: c 6 9
X = data.table(x = c("c", "b"),
               v = 8:7,
               foo = c(4, 2))
X
#>   x v foo
# 1: c 8   4
# 2: b 7   2

而这个加入结果超出了我的范围。

DT[X, on = .(x, y <= foo)]
#>   x y v i.v
# 1: c 4 7   8
# 2: c 4 8   8
# 3: b 2 1   7

它在做什么？

Answer 1

连接尝试匹配左 ( DT) 和右 ( X) 表的行。

哪些行应该匹配？

on告诉我们两个条件，总是先左后右

1. x， 的简写x == x，即DT$x == X$x
2. y <= foo方法DT$y <= X$foo。

另请注意，我们使用右表来“查找”左表的行。这意味着我们要遍历 的行X并查看哪些行DT匹配。

让我们从 开始X[1]。匹配哪几行DT？

• X[1]$x是c。(7,8,9)有3个对应行DT。
• X[1]$foo是4。有6行对应DT(1,2,4,5,7,8)

有 2 行满足这两个条件：7、8。

现在我们移动到X[2]. 匹配哪几行DT？

• X[2]$x是b。(1,2,3)有3个对应行DT。
• X[2]$foo是2。DT(1,4,7)有3个对应行

只有一行满足这两个条件：7。

所以输出有 3 行，2 匹配X[1]和 1 匹配X[2]。

这告诉我们有关行的信息 - 现在我们需要考虑结果中将包含哪些列。

该查询未指定任何列，因此默认情况下包含两个表中的所有列。x默认情况下，并且y将来自X（y来自X$foo），因为它们是连接条件的一部分。上存在碰撞v（它同时存在于DT和中X），因此我们v从左侧（即DT$v）和i.v右侧（即x$v）获得。

Answer 2

这是一个非对等连接：

• 加入这两个表相同的X：b和c在这种情况下，
• 只保留 DT 的值，其中 DT$y <= X$foo

或许这样更容易理解：

DT[X,.(x.x, x.y, x.v, i.x, i.v, i.foo,`y < foo`= x.y < i.foo ), on = .(x = x, y <= foo)]

   x.x x.y x.v i.x i.v i.foo y < foo
1:   c   1   7   c   8     4    TRUE
2:   c   3   8   c   8     4    TRUE
3:   b   1   1   b   7     2    TRUE

在哪里：

• x.是LHS表的列( DT)
• i.是RHS表 ( X)的列，要记住i.考虑DT[i,j,by].