r - 子集数据表的最快方法是什么？

Question

在我看来，处理data.table的行/列子集的最快方法是使用join和nomatch选项。

这样对吗？

DT = data.table(rep(1:100, 100000), rep(1:10, 1000000))
setkey(DT, V1, V2)
system.time(DT[J(22,2), nomatch=0L])
# user  system elapsed 
# 0.00    0.00    0.01 
system.time(subset(DT, (V1==22) & (V2==2)))
# user  system elapsed 
# 0.45    0.21    0.67 

identical(DT[J(22,2), nomatch=0L],subset(DT, (V1==22) & (V2==2)))
# [1] TRUE

基于二进制搜索的快速联接也存在一个问题:我找不到一种方法来选择一维中的所有项目。

假设我以后要执行以下操作:

DT[J(22,2), nomatch=0]  # subset on TWO dimensions
DT[J(22,), nomatch=0]   # subset on ONE dimension only
# Error in list(22, ) : argument 2 is empty

不必将键重新设置为仅一维(因为我处于循环状态，并且我不想每次都休息一下键)。

Answer 1

子集data.table的最快方法是什么？

使用基于二进制搜索的子集功能最快。请注意，该子集需要选项nomatch = 0L，以便仅返回匹配的结果。

如何仅用两个键集按一个键子集？

如果您在DT上设置了两个键，并且希望通过第一个键进行子集化，则只需在J(.)中提供第一个值，而无需为第二个键提供任何内容。那是:

# will return all columns where the first key column matches 22
DT[J(22), nomatch=0L] 

如果相反，您想按第二个键进行子集设置，那么到目前为止，您必须为第一个键提供所有唯一值。那是:

# will return all columns where 2nd key column matches 2
DT[J(unique(V1), 2), nomatch=0L]

这也显示为 in this SO post。尽管我更喜欢 DT[J(, 2)]来处理这种情况，因为这似乎很直观。

还有一个待处理的功能请求 FR #1007用于实现辅助键，完成后将解决此问题。

这是一个更好的例子:

DT = data.table(c(1,2,3,4,5), c(2,3,2,3,2))
DT
#    V1 V2
# 1:  1  2
# 2:  2  3
# 3:  3  2
# 4:  4  3
# 5:  5  2
setkey(DT,V1,V2)
DT[J(unique(V1),2)]
#    V1 V2
# 1:  1  2
# 2:  2  2
# 3:  3  2
# 4:  4  2
# 5:  5  2
DT[J(unique(V1),2), nomatch=0L]
#    V1 V2
# 1:  1  2
# 2:  3  2
# 3:  5  2
DT[J(3), nomatch=0L]
#    V1 V2
# 1:  3  2

总之:

# key(DT) = c("V1", "V2")

# data.frame                        |             data.table equivalent
# =====================================================================
# subset(DF, (V1 == 3) & (V2 == 2)) |            DT[J(3,2), nomatch=0L]
# subset(DF, (V1 == 3))             |              DT[J(3), nomatch=0L]
# subset(DF, (V2 == 2))             |  DT[J(unique(V1), 2), nomatch=0L]