我在 R 中做经典的拆分应用重组事情。随着时间的推移，我的数据集是一堆公司。我正在做的应用是对每个公司进行回归并返回残差，因此，我没有按公司汇总。 plyr很好，但是当公司数量很大时，它需要很长时间才能运行。有没有办法做到这一点data.table？
样本数据：
dte, id, val1, val2
2001-10-02, 1, 10, 25
2001-10-03, 1, 11, 24
2001-10-04, 1, 12, 23
2001-10-02, 2, 13, 22
2001-10-03, 2, 14, 21
我需要按每个 id （即 1 和 2）拆分。运行回归，返回残差并将其作为列附加到我的数据中。有没有办法做到这一点data.table？
DWin 的答案对于 v1.8.0 是正确的（目前在 CRAN 上）。但在 v1.8.1（在 R-Forge 存储库上）中，:=现在按组工作。它也适用于非连续组，因此无需setkey先排队。
dtb <- as.data.table(dat)
dtb
dte id val1 val2
1: 2001-10-02 1 10 25
2: 2001-10-03 1 11 24
3: 2001-10-04 1 12 23
4: 2001-10-02 2 13 22
5: 2001-10-03 2 14 21
dtb[, resid:=residuals(lm(val1 ~ val2)), by=id]
dte id val1 val2 resid
1: 2001-10-02 1 10 25 1.631688e-15
2: 2001-10-03 1 11 24 -3.263376e-15
3: 2001-10-04 1 12 23 1.631688e-15
4: 2001-10-02 2 13 22 0.000000e+00
5: 2001-10-03 2 14 21 0.000000e+00
要升级到 v1.8.1，只需从 R-Forge 存储库安装。（从 R-Forge 安装任何二进制包时需要 R 2.15.0+）：
install.packages("data.table", repos="http://R-Forge.R-project.org")
或者如果您无法升级到最新的 R，则从源代码安装。 data.table它本身只需要 R 2.12.0+。
扩展到 1MM 外壳：
DT = data.table(dte=Sys.Date()+1:1000000,
id=sample(1:2, 1000000, repl=TRUE),
val1=runif(1000000), val2=runif(1000000) )
setkey(DT, id)
system.time(ans1 <- cbind(DT, DT[, residuals(lm(val1 ~ val2)), by="id"]) )
user system elapsed
12.272 0.872 13.182
ans1
dte id val1 val2 id V1
1: 2012-07-02 1 0.8369147 0.57553383 1 0.336647598
2: 2012-07-05 1 0.0109102 0.02532214 1 -0.488633325
3: 2012-07-06 1 0.4977762 0.16607786 1 -0.001952414
---
999998: 4750-05-27 2 0.1296722 0.62645838 2 -0.370627034
999999: 4750-05-28 2 0.2686352 0.04890710 2 -0.231952238
1000000: 4750-05-29 2 0.9981029 0.91626787 2 0.497948275
system.time(DT[, resid:=residuals(lm(val1 ~ val2)), by=id])
user system elapsed
7.436 0.648 8.107
DT
dte id val1 val2 resid
1: 2012-07-02 1 0.8369147 0.57553383 0.336647598
2: 2012-07-05 1 0.0109102 0.02532214 -0.488633325
3: 2012-07-06 1 0.4977762 0.16607786 -0.001952414
---
999998: 4750-05-27 2 0.1296722 0.62645838 -0.370627034
999999: 4750-05-28 2 0.2686352 0.04890710 -0.231952238
1000000: 4750-05-29 2 0.9981029 0.91626787 0.497948275
上面的示例只有 2 个组，非常小，不到 40MB，Rprof显示 96% 的时间都花在lm. 所以在这些情况下:=，分组并不是为了速度优势，而是为了方便；即，需要编写的代码更少，并且没有多余的列添加到输出中。随着大小的增长，避免复制开始出现，速度优势开始显现。特别是，随着组数的增加，transforminj会非常慢。
我猜这需要按“id”排序才能正确排列。幸运的是，当您设置密钥时会自动发生这种情况：
dat <-read.table(text="dte, id, val1, val2
2001-10-02, 1, 10, 25
2001-10-03, 1, 11, 24
2001-10-04, 1, 12, 23
2001-10-02, 2, 13, 22
2001-10-03, 2, 14, 21
", header=TRUE, sep=",")
dtb <- data.table(dat)
setkey(dtb, "id")
dtb[, residuals(lm(val1 ~ val2)), by="id"]
#---------------
cbind(dtb, dtb[, residuals(lm(val1 ~ val2)), by="id"])
#---------------
dte id val1 val2 id.1 V1
[1,] 2001-10-02 1 10 25 1 1.631688e-15
[2,] 2001-10-03 1 11 24 1 -3.263376e-15
[3,] 2001-10-04 1 12 23 1 1.631688e-15
[4,] 2001-10-02 2 13 22 2 0.000000e+00
[5,] 2001-10-03 2 14 21 2 0.000000e+00
> dat <- data.frame(dte=Sys.Date()+1:1000000,
id=sample(1:2, 1000000, repl=TRUE),
val1=runif(1000000), val2=runif(1000000) )
> dtb <- data.table(dat)
> setkey(dtb, "id")
> system.time( cbind(dtb, dtb[, residuals(lm(val1 ~ val2)), by="id"]) )
user system elapsed
1.696 0.798 2.466
> system.time( dtb[,transform(.SD,r = residuals(lm(val1~val2))),by = "id"] )
user system elapsed
1.757 0.908 2.690
来自 Matthew 的编辑：这对于 CRAN 上的 v1.8.0 都是正确的。在data.table wiki第 2 点的主题中transform添加了一点点：“为了速度，不要按组，然后”。但是，现在在 v1.8.1 中按组工作，既简单又快速。请参阅我的答案以获取说明（但无需投票）。jtransform()cbind():=
嗯，我投了赞成票。这是在 Mac 上安装 v 1.8.1 的控制台命令（如果您有适当的 XCode 工具可用，因为它只存在于源代码中）：
install.packages("data.table", repos= "http://R-Forge.R-project.org", type="source",
lib="/Library/Frameworks/R.framework/Versions/2.14/Resources/lib")
（由于某种原因，我无法让 Mac GUI 包安装程序将 r-forge 读取为存储库。）