r - 何时应在 data.table 中使用 := 运算符？

Question

data.table对象现在有一个 := 运算符。是什么让这个运算符与所有其他赋值运算符不同？另外，它的用途是什么，它的速度有多快，什么时候应该避免？

Answer 1

这是一个将 10 分钟缩短为 1 秒的示例（来自主页上的新闻）。这就像对 a 进行子分配，data.frame但不会每次都复制整个表。

m = matrix(1,nrow=100000,ncol=100)
DF = as.data.frame(m)
DT = as.data.table(m)

system.time(for (i in 1:1000) DF[i,1] <- i)
     user  system elapsed 
  287.062 302.627 591.984 

system.time(for (i in 1:1000) DT[i,V1:=i])
     user  system elapsed 
    1.148   0.000   1.158     ( 511 times faster )

像这样:=放入j允许更多的成语：

DT["a",done:=TRUE]   # binary search for group 'a' and set a flag
DT[,newcol:=42]      # add a new column by reference (no copy of existing data)
DT[,col:=NULL]       # remove a column by reference

和 ：

DT[,newcol:=sum(v),by=group]  # like a fast transform() by group

我想不出任何可以避免的理由:=！除此之外，在一个for循环内。由于:=出现在里面DT[...]，所以[.data.table方法的开销很小；例如，S3 调度并检查参数的存在和类型，例如i,by等nomatch。因此对于内部for循环，:=调用的开销较低，直接版本set。有关?set更多详细信息和示例，请参阅。setinclude的缺点i必须是行号（没有二进制搜索），并且不能将它与by. 通过制定这些限制set可以显着减少开销。

system.time(for (i in 1:1000) set(DT,i,"V1",i))
     user  system elapsed 
    0.016   0.000   0.018