介紹

R中的data.table包提供了一個data.frame的高階版本，讓你的程式做資料整型的運算速度大大的增加。data.table已經在金融，基因工程學等領域大放光彩。他尤其適合那些需要處理大型資料集（比如 1GB 到100GB）需要在記憶體中處理資料的人。不過這個包的一些符號並不是很容易掌握，因為這些操作方式在R中比較少見。這也是這篇文章的目的，為了給大家提供一個速查的手冊。

data.table的通用格式: DT[i, j, by]，對於資料集DT，選取子集行i,通過by分組計算j

1.生成一個data.table物件

生成一個data.table物件，記為DT.

> library
 
(data.table)
> set.seed(45L)
> DT <- data.table(V1=c(1L,2L),
+ V2=LETTERS[1:3],
+ V3=round(rnorm(4),4),
+ V4=1:12)
> DT
V1 V2 V3 V4
1: 1 A -1.1727 1
2: 2 B -0.3825 2
3: 1 C -1.0604 3
4: 2 A 0.6651 4
5: 1 B -1.1727 5
6: 2 C -0.3825 6
7: 1 A -1.0604 7
8: 2 B 0.6651 8
9: 1 C -1.1727 9
10: 2 A -0.3825
 
 10
11: 1 B -1.0604 11
12: 2 C 0.6651 12

2.通過i來篩選資料集的行

通過數字來篩選資料集的行

選取第三行到第五行

> DT[3:5,] #or DT[3:5]
V1 V2 V3 V4
1: 1 C -1.0604 3
2: 2 A 0.6651 4
3: 1 B -1.1727 5

基於使用快速自動索引條件，使用列名選擇行i

在V2這一列，選擇所有值為A的行

> DT[ V2 == "A"]
V1 V2 V3 V4
1: 1 A -1.1727 1
2: 2 A 0.6651 4
3: 1 A -1.0604 7
4: 2 A -0.3825
 
 10

選擇多個值:

選擇在這一列中包含value1或value2的所有值

> DT[column %in% c("value1","value2")]

選擇V2這列中包含值A或C的所有行

> DT[ V2 %in% c("A","C")]
V1 V2      V3 V4
1:  1  A  0.3408  1
2:  2  A -0.7460  4
3:  1  A -0.3795  7
4:  2  A -0.7033 10
5:  1  C -0.3795  3
6:  2  C -0.7033  6
7:  1  C  0.3408  9
8:  2  C -0.7460 12

3.通過j來操作列

通過j來選擇一列

> DT[,V2]
[1]"A" "A" "A" "A" "B" "B" "B" "B" "C" "C" "C" "C"

注意到V2這一列是以向量的形式返回的

通過j來選擇多列

> DT[,.(V2,V3)]
    V2      V3
 1:  A  0.3408
 2:  A -0.7460
 3:  A -0.3795
 4:  A -0.7033
 5:  B -0.7033
 6:  B  0.3408
 7:  B -0.7460
 8:  B -0.3795
 9:  C -0.3795
10:  C -0.7033
11:  C  0.3408
12:  C -0.7460

V2與V3這兩列以data.table的形式返回

.()為list()的一個別名。如果使用.(),返回的為一個data.table物件。如果不使用.()，結果為返回一個向量。

在j上呼叫函式

> DT[,sum(V1)]
[1] 18

以向量的形式返回V1列中所有元素的總和

在多列上進行計算

以data.table的形式，返回V1這列的所有元素之和與V3這列的標準差

> DT[,.(sum(V1),sd(V3))]
   V1        V2
1: 18 0.4546055

指定計算列的列名

類似上例，但有一個新的列名

> DT[,.(Aggregate = sum(V1), Sd.V3 = sd(V3))]
   Aggregate     Sd.V3
1:        18 0.4546055

若列的長度不一，則會迴圈對齊

選擇V1這一列，並計算V3這列的標準差，將會得到一個標準差的值並迴圈補齊

> DT[,.(V1, Sd.V3 = sd(V3))]
 V1     Sd.V3
 1:  1 0.4546055
 2:  2 0.4546055
 3:  1 0.4546055
 4:  2 0.4546055
 5:  2 0.4546055
 6:  1 0.4546055
 7:  2 0.4546055
 8:  1 0.4546055
 9:  1 0.4546055
10:  2 0.4546055
11:  1 0.4546055
12:  2 0.4546055

多個表示式可以包裹在花括號中

輸出V2這一列並繪製V3這一列

> DT[,{print(V2)
plot(V3)
NULL}]
[1] "A" "A" "A" "A" "B" "B" "B" "B" "C" "C" "C" "C"
#And a plot
NULL

4.根據分組來操作j

根據分組來操作j

對V1中的每一類來計算V4列的和

> DT[,.(V4.Sum = sum(V4)),by=V1]
   V1 V4.Sum
1:  1     36
2:  2     42

通過使用.()控制多個列來操作j

與上例類似，但每一個分組包含V1和V2兩列

> DT[,.(V4.Sum = sum(V4)),by=.(V1,V2)]
   V1 V2 V4.Sum
1:  1  A      8
2:  2  A     14
3:  2  B     10
4:  1  B     16
5:  1  C     12
6:  2  C     18

在by中呼叫函式

以sign(V1-1)為分組，計算各個分組中V4列的和:

> DT[,.(V4.Sum = sum(V4)),by=sign(V1-1)]
   sign V4.Sum
1:    0     36
2:    1     42

通過指定i行子集的分組進行操作

在前5行資料集中，通過V1列的分組來計算V4列的總和:

> DT[1:5,.(V4.Sum = sum(V4)),by=V1]
   V1 V4.Sum
1:  1      8
2:  2     16

使用函式.N來得到每個類別的總觀測數

在V1列中計算每個分組的觀測數

> DT[,.N,by=V1]
   V1 N
1:  1 6
2:  2 6

5.使用:=引用來新增或更新一列

在一行中使用:=引用來新增或更新列.

注意: 額外的指定 (DT <- DT[…])是多餘的
使用:=來更新V1列:

> DT[, V1 := round(exp(V1),2)]

這段程式碼沒有顯式的返回結果，而V1列從[1] 1 2 1 2 … 變成了 [1] 2.72 7.39 2.72 7.39 …

使用:=引用來新增或更新多列

使用:=更新V1列和V2列：

> DT[, c("V1","V2") := list(round(exp(V1),2), LETTERS[4:6])]

同樣沒有顯式的返回結果，V1列的結果與上相同，V2列從[1] “A” “B” “C” “A” “B” “C” … 變成: [1] “D” “E” “F” “D” “E” “F” …

使用函式:=

上例的另一種寫法,但會在書寫時更易並齊。而且,當新增[]時，結果會返回在螢幕中

> DT[, ':=' (V1 =round(exp(V1),2),V2 = LETTERS[4:6])][]

與上例變化相同,但是由於在語句最後添加了[]，這一結果會返回至螢幕

通過使用:=來移除一列

移除V1列

> DT[, V1 := NULL]

無顯式的返回結果，但V1列變為NULL

通過使用:=來移除多列

移除V1列與V2列

> DT[, c("V1","V2") := NULL]

無顯式的返回結果，但V1列與V2列變為NULL

將一個包含列名的變數用小括號包裹起來，變數所傳遞的內容將會被刪除
注意：列名為Cols.chosen的列將會被刪除，這裡不是刪除”V1”,”V2”列

> Cols.chosen = c("V1","V2")
> DT[, Cols.chosen := NULL]

無顯式的返回結果，列名為Cols.chosen的列將會被刪除

刪除指定變數Cols.chosen包含的V1列和V2列

> DT[, (Cols.chosen) := NULL]

無顯式的返回結果，列名為V1和V2的列變為NULL##索引與鍵值

使用setkey()函式設定鍵值

setkey()函式可以在資料集DT上設定鍵值。當我們設定好key後，data.table會將資料按照key來排序。
在V2列上設定一個鍵值

> setkey(DT,V2)

無顯示返回結果

使用鍵值來選擇行

使用鍵值可以更加有效地選擇行
由於已將V2設定了鍵值，將會返回該列中所有包含變數值A的行

> DT["A"]
   V1 V2 V3 V4
1: 1 A -1.1727 1
2: 2 A 0.6651 4
3: 1 A -1.0604 7
4: 2 A -0.3825 10

返回鍵值所在列(V2列)包含變數值A或變數值C的所有行

> DT[c("A","C")]
   V1 V2      V3 V4
1:  1  A -0.8981  1
2:  2  A -0.1745  4
3:  1  A -0.5014  7
4:  2  A -0.3348 10
5:  1  C -0.5014  3
6:  2  C -0.3348  6
7:  1  C -0.8981  9
8:  2  C -0.1745 12

mult引數

mult引數是用來控制i匹配到的哪一行的返回結果預設情況下會返回該分組的所有元素
返回匹配到鍵值所在列(V2列)所有行中的第一行

> DT["A", mult ="first"]
   V1 V2 V3 V4
1: 1 A -1.1727 1

返回匹配到鍵值所在列(V2列)所有行中的最後一行

> DT["A", mult = "last"]
   V1 V2 V3 V4
1: 2 A -0.3825 10

nomatch引數

nomatch引數用於控制，當在i中沒有到匹配資料的返回結果，預設為NA，也能設定為0。0意味著對於沒有匹配到的行將不會返回。
返回匹配到鍵值所在列(V2列)所有包含變數值A或D的所有行：

> DT[c("A","D")]
   V1 V2    V3 V4
1: 1 A -1.1727 1
2: 2 A 0.6651  4
3: 1 A -1.0604 7
4: 2 A -0.3825 10
5: NA D NA     NA

變數值A匹配到了，而變數值D沒有，故返回NA。
返回匹配到鍵值所在列(V2列)所有包含值A或D的所有行：

> DT[c("A","D"), nomatch = 0]
   V1 V2    V3 V4
1: 1 A -1.1727 1
2: 2 A  0.6651 4
3: 1 A -1.0604 7
4: 2 A -0.3825 10

因為nomatch引數，值D沒有匹配到故不返回。

by=.EACHI引數

by=.EACHI允許按每一個已知i的子集分組，在使用by=.EACHI時需要設定鍵值
返回鍵值(V2列)中包含A或C的所有行中，V4列的總和。

> DT[c("A","C"),
sum(V4)]
[1] 52

返回鍵值所在列(V2列)中包含A的行在V4列總和與包含C的行在V4列的總和。

> DT[c("A","C"),
sum(V4), by=.EACHI]
  V2 V1
1: A 22
2: C 30

使用setkey()設定一個多列主鍵

任意列都能使用setkey()來設定主鍵，這種方式可以選擇2個列作為一個主鍵。以下是一個等值連線V1列的每個組先根據V1排序，再根據V2排序。

> setkey(DT,V1,V2)

無顯式返回結果

選擇鍵值1(V1列)為2且鍵值2(V2列)為C的行。

> DT[.(2,"C")]
  V1 V2     V3 V4
1: 2 C -0.3825 6
2: 2 C  0.6651 12

選擇鍵值1(V1列)為2且鍵值2(V2列)為A或C的行

> DT[.(2,c("A","C"))]
   V1 V2   V3 V4
1: 2 A  0.6651 4
2: 2 A -0.3825 10
3: 2 C -0.3825 6
4: 2 C  0.6651 12

6.data.table高階操作

.N

.N可以用來表示行的數量或者最後一行

在i處使用：

> DT[.N-1]
   V1 V2      V3 V4
1:  1  B -0.5765 11

返回每一列的倒數第二行
在j處使用：

> DT[,.N-1]
[1] 11

返回倒數第二行所在的行數。

.()

.()是list()的一個別名，他們在data.table中是等價的。當只有一個元素的位置j或者by中，是不需要.()的。

在j中使用：

> DT[,.(V2,V3)] #or DT[,list(V2,V3)]
    V2      V3
 1:  A -0.8313
 2:  B  0.7615
 3:  C -0.5765

在by中使用：

> DT[, mean(V3),by=.(V1,V2)]
   V1 V2       V1
1:  1  A -0.70390
2:  2  B  0.06755
3:  1  C -0.70390
4:  2  A  0.06755
5:  1  B -0.70390
6:  2  C  0.06755

以V1，V2為分組，對V3求均值

.SD引數

.SD是一個data.table，他包含了各個分組，除了by中的變數的所有元素。.SD只能在位置j中使用：

> DT[, print(.SD), by=V2]
   V1      V3 V4
1:  1 -0.8313  1
2:  2 -0.6264  4
3:  1 -0.5765  7
4:  2  0.7615 10
   V1      V3 V4
1:  2  0.7615  2
2:  1 -0.8313  5
3:  2 -0.6264  8
4:  1 -0.5765 11
   V1      V3 V4
1:  1 -0.5765  3
2:  2  0.7615  6
3:  1 -0.8313  9
4:  2 -0.6264 12
Empty data.table (0 rows) of 1 col: V2

以V2為分組，選擇每組的第一和最後一列：

> DT[,.SD[c(1,.N)], by=V2]
   V2 V1      V3 V4
1:  A  1 -0.8313  1
2:  A  2  0.7615 10
3:  B  2  0.7615  2
4:  B  1 -0.5765 11
5:  C  1 -0.5765  3
6:  C  2 -0.6264 12

以V2為分組，計算.SD中所有元素的和:

> DT[, lapply(.SD, sum), by=V2]
   V2 V1      V3 V4
1:  A  6 -1.2727 22
2:  B  6 -1.2727 26
3:  C  6 -1.2727 30

.SDcols

.SDcols常於.SD用在一起，他可以指定.SD中所包含的列，也就是對.SD取子集：

> DT[, lapply(.SD,sum), by=V2,
+    .SDcols = c("V3","V4")]
   V2      V3 V4
1:  A -1.2727 22
2:  B -1.2727 26
3:  C -1.2727 30

.SDcols也可以是一個函式的返回值：

> DT[, lapply(.SD,sum), by=V2,
+    .SDcols = paste0("V",3:4)]
   V2      V3 V4
1:  A -1.2727 22
2:  B -1.2727 26
3:  C -1.2727 30

結果與上一個是相同的。

7.串聯操作可以把表示式聚合在一起並避免多餘的中間變數

把多個操作串聯起來，這等價於SQL中的having

> DT<-DT[, .(V4.Sum = sum(V4)),by=V1]
> DT[V4.Sum > 35] #no chaining
V1 V4.Sum
1: 1 36
2: 2 42

這個是不使用串聯的方法，先以V1為分組，對V4求和，然後再把分組總和大於35的取出來。
使用串聯的方法：

> DT[, .(V4.Sum = sum(V4)),by=V1][V4.Sum > 35 ]
V1 V4.Sum
1: 1 36
2: 2 42

分組求和之後對V1進行排序：

> DT[, .(V4.Sum = sum(V4)),by=V1][order(-V1)]
V1 V4.Sum
1: 2 42
2: 1 36

8.使用set()家族

set()

set()通常用來更新給定的行和列的值，要注意的是，他不能跟by結合使用。

> rows = list(3:4,5:6)
> cols = 1:2
> for (i in seq_along(rows))
+ { 
+ set(DT,
+ i=rows[[i]],
+ j = cols[i],
+ value = NA) 
+}
> DT
    V1 V2      V3 V4
 1:  1  A -0.0559  1
 2:  2  B -0.4450  2
 3: NA  C  0.0697  3
 4: NA  A -0.1547  4
 5:  1 NA -0.0559  5
 6:  2 NA -0.4450  6
 7:  1  A  0.0697  7
 8:  2  B -0.1547  8

以上程式把給定的一組行和列都設定為了NA

setname()

與set()同理，setname()可以修改給定的列名和行名，以下程式是

#把名字為"old"的列，設定為"new"
> setnames(DT,"old","new") 
#把"V2","V3"列，設定為"V2.rating","V3.DataCamp"
> setnames(DT,c("V2","V3"),c("V2.rating","V3.DataCamp")) 

setcolorder()

setcolorder()可以用來修改列的順序。

setcolorder(DT,c("V2","V1","V4","V3")) 

這段程式碼會使得列的順序變成：

[1] "V2" "V1" "V4" "V3"

作為分享主義者(sharism)，本人所有網際網路釋出的圖文均遵從CC版權，轉載請保留作者資訊並註明作者a358463121專欄:http://blog.csdn.net/a358463121，如果涉及原始碼請註明GitHub地址：https://github.com/358463121/。商業使用請聯絡作者。