data.table 中的子集

Question

我正在尝试对 data.table 进行子集化（来自包 data.table ）在 R 中（不是 data.frame）。我有一个 4 位数的年份作为密钥。我想通过一系列的年份来进行子集化。例如，我想提取 1999 年、2000 年、2001 年的所有记录。

我尝试传入我的 DT[J(year)] 二进制搜索语法如下：

1999,2000,2001
c(1999,2000,2001)
1999, 2000, 2001

但这些似乎都不是去工作。任何人都知道如何做一个子集，其中您想要选择的年份不仅仅是 1 年而是多个年份？

Answer 1

适用于 data.frame 的内容也适用于 data.table 。

subset(DT, year %in% 1999:2001)

Answer 2

这个问题不清楚，也没有提供足够的数据来使用，但它很有用，所以如果有人可以用我以后提供的数据对其进行编辑，欢迎。帖子的标题也可以完成：Matthew Dowle 经常回答两个向量的子集问题，但很少回答根据一个向量中的语句进行子集的问题。我一直在寻找答案，直到找到一个字符向量 此处。

让我们考虑一下这个数据：

library(data.table)
n <- 100
X <- data.table(a=sample(c(10,20,25,30,40),n,replace=TRUE),b=1:n)

对应于 X[X$a %in% c(10,20),] 的 data.table 样式查询在某种程度上令人惊讶：

setkey(X,a)
X[.(c(10,20))]
X[.(10,20)] # works for characters but not for integers
            # instead, treats 10 as the filter
            # and 20 as a new variable

# for comparison :
X[X$a %in% c(10,20),]

现在，哪个最好？如果你的密钥已经设置，data.table，显然。否则，可能不会，正如以下时间测量（在我的 1.75 Go RAM 计算机上）所证明的那样：

n <- 1e7
X <- data.table(a=sample(c(10,20,25,30,40),n,replace=TRUE),b=1:n)
system.time(X[X$a %in% c(10,20),])
# utilisateur     système      écoulé (yes, I'm French) 
#        1.92        0.06        1.99
system.time(setkey(X,a))
# utilisateur     système      écoulé 
#       34.91        0.05       35.23 
system.time(X[J(c(10,20))])
# utilisateur     système      écoulé 
#        0.15        0.08        0.23

但也许 Matthew 有更好的解决方案...

---

[Matthew] 你已经发现了排序类型 numeric（又名double）比integer慢得多。多年来，我们不允许双键，因为担心用户落入这个陷阱并报告这样的糟糕计时。我们允许在键中使用 double，但有些担心，因为 double 尚未实现快速排序。对整数和字符的快速排序非常好，因为它们是使用计数排序完成的。 希望有一天我们能够对数字进行快速排序！（现已实施 - 见下文）。

data.table 1.9.0 之前的时间

n <- 1e7
X <- data.table(a=sample(c(10,20,25,30,40),n,replace=TRUE),b=1:n)      
system.time(setkey(X,a))
#   user  system elapsed 
# 13.898   0.138  14.216 

X <- data.table(a=sample(as.integer(c(10,20,25,30,40)),n,replace=TRUE),b=1:n)
system.time(setkey(X,a))
#   user  system elapsed 
#  0.381   0.019   0.408 

请记住，默认情况下，2 在 R 中是 numeric 类型。 2L 是整数。尽管data.table接受numeric，但它仍然更喜欢integer。

---

从 v1.9.0 开始实现数字的快速基数排序。

从 v1.9.0 开始

n <- 1e7
X <- data.table(a=sample(c(10,20,25,30,40),n,replace=TRUE),b=1:n)      
system.time(setkey(X,a))
#    user  system elapsed 
#   0.832   0.026   0.871 

Answer 3

与上面类似，但更多的 data.table esque：

DT[year %in% c(1999, 2000, 2001)]

Answer 4

这将起作用：

sample_DT = data.table(year = rep(1990:2010, length.out = 1000), 
                       random_number = rnorm(1000), key = "year")
year_subset = sample_DT[J(c(1990, 1995, 1997))]

类似地，您可以使用 setkey(existing_DT,year) 对现有的 data.table 进行键控，然后使用 J() 语法，如上所示。

我认为问题可能是你没有先输入数据。