3

假设我有以下两个数据表：

dt1 <- data.table(id=1:3,val1=c("a","a","b"),key="id")
#    id val1
# 1:  1    a
# 2:  2    a
# 3:  3    b


dt2 <- data.table(id=c(1:3,1:2),val2=10:14,key="id")
#    id val2
# 1:  1   10
# 2:  1   13
# 3:  2   11
# 4:  2   14
# 5:  3   12

假设这dt1是一个由他们识别的人的列表id，以及dt2对这些人的观察列表，与通讯员id。

现在，我想计算val2每组val1. 我知道我可以通过以下方式做到这一点：

dt1[dt2][,mean(val2),by=val1]
#    val1 V1
# 1:    a 12
# 2:    b 12

但我也在常见问题解答（第 1.14 节）中读到它效率不高（至少对于非常大的数据表）。

那么，有没有更好、更有效的方法呢？

编辑：另一个相关问题：我刚刚看到以下两行将给出相同的结果：

dt1[dt2][,mean(val2),by=val1]
dt2[dt1][,mean(val2),by=val1]

它们是等效的还是两者之间有区别？

4

1 回答 1

5

在你的情况下，这样做是可以的。iiuc 文档解释的内容例如在这种情况下（您没有对所有列进行分组/聚合）：

dt1 <- data.table(id=1:3,val1=c("a","a","b"),key="id")
dt2 <- data.table(id=c(1:3,1:2),val2=10:14,key="id")

dt2[, val3 := rep(5:7, c(2,1,2))]
#    id val2 val3
# 1:  1   10    5
# 2:  1   13    5
# 3:  2   11    6
# 4:  2   14    7
# 5:  3   12    7

现在，假设您想val2为每个 获得单独的平均值val1，那么连接所有列是没有意义的。在这种情况下，您可以这样做：

dt1[dt2, list(val1, val2)][, mean(val2), by=val1]
#    val1 V1
# 1:    a 12
# 2:    b 12

而不是这样做：

# gives same result but performs join on all columns
dt1[dt2][, mean(val2), by=val1]

对于您的第二个问题，我想了解差异dt1[dt2]和dt2[dt1]. 为此，您的数据并不是最好的例子。假设，

dt1 <- data.table(id=c(1,4,5), val1=c("a","a","b"))
dt2 <- data.table(id=c(1,2,3,6,7,8), val2=c(6,5,3,4,2,1))

setkey(dt1, "id")
setkey(dt2, "id")

dt1[dt2]为每个idindt2获取并获取所有其他列的相应值dt1以执行连接：

dt1[dt2]
#    id val1 val2
# 1:  1    a    6
# 2:  2   NA    5
# 3:  3   NA    3
# 4:  6   NA    4
# 5:  7   NA    2
# 6:  8   NA    1

dt2[dt1]从其他列中获取对应值id中的每个 来执行连接：dt1dt2

dt2[dt1]
#    id val2 val1
# 1:  1    6    a
# 2:  4   NA    a
# 3:  5   NA    b

请注意，中的值仅dt1[dt2]包含的 id 。同样仅包含. 在您的情况下，由于s 完全相同（忽略它们发生的次数），因此两个连接都会为您提供相同的连接（列的顺序除外），iiuc。dt2dt2[dt1]dt1id

只是为了使这部分完整，如果您想要“完整”连接，请使用mergewith all=TRUE。该merge.data.table方法已实现。

merge(dt1, dt2, all = TRUE)

merge(dt1, dt2, all.x = TRUE) 
# is equivalent to
dt2[dt1]

merge(dt1, dt2, all.y = TRUE)
# is equivalent to
dt1[dt2]
于 2013-04-05T09:43:31.620 回答