r - 有效检查data.table中其他行的值

Question

注:这是我最初发布到 data.table 帮助组的问题。 Matt Dowle 要求提供一个更详细的示例，我发布了这个示例，但是我在电子邮件中格式化时遇到了问题。我已经知道如何在 SO 上格式化，所以我想我会在这里发布它。

我基本上想要做的是基于该行中的值从 data.table 中子集行 以及 前一行或后一行中的值。现在，我正在为 future 和过去的行创建新列，然后在这些列上键入 data.table，但这是资源密集型和繁重的。

下面的例子说明了我现在使用的方法。该示例使用文档中的单词(我对两者都使用数字索引)。我想对特定单词进行子集化，但前提是它前面或后面是另一个单词或一组单词:

我首先创建了一个虚拟数据集，其中包含 10 个包含 100 万个单词的文档。该集合中有三个独特的词。

library(data.table)
set.seed(1000)
DT<-data.table(wordindex=sample(1:3,1000000,replace=T),docindex=sample(1:10,1000000,replace=T))
setkey(DT,docindex)
DT[,position:=seq.int(1:.N),by=docindex]


          wordindex docindex position
      1:         1        1        1
      2:         1        1        2
      3:         3        1        3
      4:         3        1        4
      5:         1        1        5
    ---                            
 999996:         2       10    99811
 999997:         2       10    99812
 999998:         3       10    99813
 999999:         1       10    99814
1000000:         3       10    99815

请注意，简单地计算所有文档中第一个唯一单词的出现次数既简单又美观。

setkey(DT,wordindex)
count<-DT[J(1),list(count.1=.N),by=docindex]
count

    docindex count.1
 1:        1   33533
 2:        2   33067
 3:        3   33538
 4:        4   33053
 5:        5   33231
 6:        6   33002
 7:        7   33369
 8:        8   33353
 9:        9   33485
10:       10   33225

考虑到前面的位置时，情况会变得更加困惑。这是一个查询，用于计算所有文档中第一个唯一单词的出现次数 除非 紧随其后的是第二个唯一词。首先，我创建一个新列，其中包含前面一个位置的单词，然后键入两个单词。

setkey(DT,docindex,position)
DT[,lead_wordindex:=DT[list(docindex,position+1)][,wordindex]]

         wordindex docindex position lead_wordindex
      1:         1        1        1              1
      2:         1        1        2              3
      3:         3        1        3              3
      4:         3        1        4              1
      5:         1        1        5              2
     ---                                           
 999996:         2       10    99811              2
 999997:         2       10    99812              3
 999998:         3       10    99813              1
 999999:         1       10    99814              3
1000000:         3       10    99815             NA

setkey(DT,wordindex,lead_wordindex)
countr2<-DT[J(c(1,1),c(1,3)),list(count.1=.N),by=docindex]
countr2

    docindex count.1
 1:        1   22301
 2:        2   21835
 3:        3   22490
 4:        4   21830
 5:        5   22218
 6:        6   21914
 7:        7   22370
 8:        8   22265
 9:        9   22211
10:       10   22190

我有一个非常大的数据集，上面的查询无法分配内存。作为替代方案，我们可以通过过滤原始数据集然后将其连接回所需位置，仅为相关数据子集创建此新列:

setkey(DT,wordindex)
filter<-DT[J(1),list(wordindex,docindex,position)]
filter[,lead_position:=position+1]

        wordindex wordindex docindex position lead_position
     1:         1         1        2    99717         99718
     2:         1         1        3    99807         99808
     3:         1         1        4   100243        100244
     4:         1         1        1        1             2
     5:         1         1        1       42            43
    ---                                                    
332852:         1         1       10    99785         99786
332853:         1         1       10    99787         99788
332854:         1         1       10    99798         99799
332855:         1         1       10    99804         99805
332856:         1         1       10    99814         99815

setkey(DT,docindex,position)
filter[,lead_wordindex:=DT[J(filter[,list(docindex,lead_position)])][,wordindex]]

        wordindex wordindex docindex position lead_position lead_wordindex
     1:         1         1        2    99717         99718             NA
     2:         1         1        3    99807         99808             NA
     3:         1         1        4   100243        100244             NA
     4:         1         1        1        1             2              1
     5:         1         1        1       42            43              1
    ---                                                                   
332852:         1         1       10    99785         99786              3
332853:         1         1       10    99787         99788              3
332854:         1         1       10    99798         99799              3
332855:         1         1       10    99804         99805              3
332856:         1         1       10    99814         99815              3

setkey(filter,wordindex,lead_wordindex)
countr2.1<-filter[J(c(1,1),c(1,3)),list(count.1=.N),by=docindex]
countr2.1

    docindex count.1
 1:        1   22301
 2:        2   21835
 3:        3   22490
 4:        4   21830
 5:        5   22218
 6:        6   21914
 7:        7   22370
 8:        8   22265
 9:        9   22211
10:       10   22190

太丑了，我觉得。此外，我可能要向前看不止一个词，因此需要创建另一列。简单但昂贵的方法是:

setkey(DT,docindex,position)
DT[,lead_lead_wordindex:=DT[list(docindex,position+2)][,wordindex]]

         wordindex docindex position lead_wordindex lead_lead_wordindex
      1:         1        1        1              1                   3
      2:         1        1        2              3                   3
      3:         3        1        3              3                   1
      4:         3        1        4              1                   2
      5:         1        1        5              2                   3
     ---                                                               
 999996:         2       10    99811              2                   3
 999997:         2       10    99812              3                   1
 999998:         3       10    99813              1                   3
 999999:         1       10    99814              3                  NA
1000000:         3       10    99815             NA                  NA

setkey(DT,wordindex,lead_wordindex,lead_lead_wordindex)
countr23<-DT[J(1,2,3),list(count.1=.N),by=docindex]
countr23

    docindex count.1
 1:        1    3684
 2:        2    3746
 3:        3    3717
 4:        4    3727
 5:        5    3700
 6:        6    3779
 7:        7    3702
 8:        8    3756
 9:        9    3702
10:       10    3744

但是，由于尺寸的原因，我目前必须使用丑陋的过滤器和连接方式。

那么问题来了，有没有更简单、更美观的方法呢？

更新 :

感谢 Arun 和 eddi 提供了解决问题的简洁代码。在我的 ~200M 行数据上，这个解决方案在大约 10 秒内对单词的简单组合起作用，这非常好!

然而，我确实有一个额外的问题，这使得矢量扫描方法不是最佳的。尽管在示例中我只查找一个单词组合，但实际上我可能在每个位置都有一个单词向量要查找。当我为此目的将“==”语句更改为“%in%”(100 个字或更多字的向量)时，查询需要更长的时间来运行。因此，如果存在二进制搜索解决方案，我仍然会对它感兴趣。但是，如果 Arun 不知道，也可能不知道，我很乐意接受他的回答。

Answer 1

这是我脑海中浮现的另一个想法。它只需要再创建一列并对子集使用二分搜索。

关于 DT您已根据数据生成，首先我们将添加额外的列:

# the extra column:
DT[, I := .I]

我们需要这个，因为我们会 setkey在 docindex 和 wordindex .这是我们可以在不创建额外列的情况下进行子集化的唯一方法(至少我能想到的)。因此，我们稍后需要一种方法来提取“原始”位置以检查您的情况(因此是 I )。

添加额外的列后，让我们在上面提到的两列上设置键:

setkey(DT, docindex, wordindex)

伟大的!这里的想法是提取您想要的单词匹配的位置 - 这里的值是 1L .然后，在正确的位置提取您可能(或可能不)希望出现在该词之后的所有其他词。然后，我们简单地保留(或删除)那些满足条件的索引。

这是一个可以解决这个问题的函数。它绝不是完整的，但应该给你一个想法。

foo <- function(DT, doc_key, word_key, rest_key=NULL, match=FALSE) {
    ## note that I'm using 1.9.3, where this results in a vector
    ## if you're using 1.9.2, you'll have to change the joins accordingly
    idx1 = DT[J(doc_key, word_key), I]
    for (i in seq_along(rest_key)) {
        this_key = rest_key[i]
        idx2 = DT[J(doc_key, this_key), I]
        if (match) idx1 = idx1[which((idx1+i) %in% idx2)]
        else idx1 = idx1[which(!(idx1+i) %in% idx2)]
    }
    DT[idx1, .N, by=c(key(DT)[1L])]
}

在这里， DT是 data.table到哪个 I已添加列， 然后 setkey已经在前面提到的两列上调用了。
doc_key基本上包含 docindex 中的所有唯一值- 这里 1:10。 word_key这里基本上是1L。 rest_key您要检查的值是否出现在 i word_key 位置之后的第 th 个位置.

首先我们提取 I对于 1L 的所有匹配项在 idx1 (直截了当)。接下来，我们循环遍历 rest_key 的每个值并将该位置添加到 idx1 = idx1+i并检查该值是否出现在 idx2 中.如果是这样，根据您是想提取匹配条目还是不匹配条目，我们将保留(或删除它们)。

在这个循环结束时， idx1应该只有所需的条目。希望这可以帮助。下面显示的是其他答案中已经讨论过的案例的演示。

让我们考虑您的第一个场景。所有条目的计数，对于 docindex 中的每个组第 i 个位置是 1L和 i+1这不是2L。这基本上是:

system.time(ans1 <- foo(DT, 1:10, 1L, 2L, FALSE))

#  user  system elapsed 
# 0.066   0.019   0.085 

# old method took 0.12 seconds

#     docindex     N
#  1:        1 22301
#  2:        2 21836
#  3:        3 22491
#  4:        4 21831
#  5:        5 22218
#  6:        6 21914
#  7:        7 22370
#  8:        8 22265
#  9:        9 22211
# 10:       10 22190

第二种情况呢？在这里，我们想要 i+1 th 和 i+2 th 位置是 2L 和 3L，这与前面案例中的不相等场景相反。所以，我们设置 match=TRUE这里。

system.time(ans2 <- foo(DT, 1:10, 1L, 2:3,TRUE))
#  user  system elapsed 
# 0.080   0.011   0.090 

# old method took 0.22 seconds

#     docindex    N
#  1:        1 3684
#  2:        2 3746
#  3:        3 3717
#  4:        4 3727
#  5:        5 3700
#  6:        6 3779
#  7:        7 3702
#  8:        8 3756
#  9:        9 3702
# 10:       10 3744

扩展这个功能很容易。例如:如果您想拥有 i+1 th 等于 2L但是 i+2 th 不等于 3L然后，您可以更改 match成为向量 = length(rest_key)指定相应的逻辑值。

我希望这对于您的实际情况来说很快 - 至少比其他版本快。

HTH