我在data.table中的参数（计算结果为逻辑的表达式）

Question

我有以下内容：

test <- data.table(id=1:11, t=c(rep(1:2,5), 3))
test[length(unique(id))>1,list(id, t), by=t]

    id t
 1:  1 1
 2:  2 2
 3:  3 1
 4:  4 2
 5:  5 1
 6:  6 2
 7:  7 1
 8:  8 2
 9:  9 1
10: 10 2
11: 11 3

我预计这组test通过t，评估j每个组语句，返回其中的行i是真实的（即有超过1个唯一ID）。而是返回以下内容：

> test
     id t
 1:  1 1
 2:  2 2
 3:  3 1
 4:  4 2
 5:  5 1
 6:  6 2
 7:  7 1
 8:  8 2
 9:  9 1
10: 10 2  
11: 11 3

似乎by适用于j唯一而不是适用于i。有什么建议吗？

Answer 1

对或错，i首先j运行，然后by在所有通过的行上运行i。

常见的用法是这样的（类似于SQL中的HAVING）：

test[,list(id, u=length(unique(id))), by=t][u>1]

并从结果中排除u（每个组中唯一ID的数量）：

test[,list(id, u=length(unique(id))), by=t][u>1][,u:=NULL]

顺便说一句，i对（小得多的）汇总结果（例如u>1上面的行）进行矢量扫描比对（大得多的）原始数据进行矢量扫描要高效得多。

如果对整个数据集依次j运行by，然后i对结果（如您预期的那样）运行，则将导致效率问题。考虑它是否以这种方式工作。然后，首先需要过滤器，然后对结果进行分组将需要分为两个[调用：DT[i][,j,by]。然后i看不到j（内[.data.table），也不知道它需要哪一列。将其组合为一个DT[i,j,by]可以在评估之前i进行检查j，并且仅将j需要的列作为子集。这在使用小列子集的查询的大型数据集中产生了很大的不同。

看看发生了什么，把你i并使其j：

test[,length(unique(id))>1]  
# [1] TRUE

然后单身TRUE被回收。DT[TRUE] == DT。您始终可以i通过这样进行测试j。