如何在条件下自行加入data.table

时间:2013-02-20 15:36:11

标签: r join data.table

我想在data.table中添加一个新列。此列应包含满足特定条件的所有行的另一列的总和。一个例子:我的data.table看起来像这样:

require(data.table)
DT <- data.table(n=c("a", "a", "a", "a", "a", "a", "b", "b", "b"),
             t=c(10, 20, 33, 40, 50, 22, 25, 34, 11),
             v=c(20, 15, 16, 17, 11, 12, 20, 22, 10)
             )
DT
   n  t  v
1: a 10 20
2: a 20 15
3: a 33 16
4: a 40 17
5: a 50 11
6: a 22 12
7: b 25 20
8: b 34 22
9: b 11 10

对于每行x和每行i,其中abs(t [i] - t [x])&lt; = 10,我想计算

foo = sum( v[i] * abs(t[i] - t[x]) )

在SQL中,我会使用自联接来解决这个问题。在R中我能够使用for循环执行此操作:

for (i in 1:nrow(DT))
    DT[i, foo:=DT[n==DT[i]$n & abs(t-DT[i]$t)<=10, sum(v * abs(t-DT[i]$t) )]]

DT
   n  t  v foo
1: a 10 20 150
2: a 20 15 224
3: a 33 16 119
4: a 40 17 222
5: a 50 11 170
6: a 22 12  30
7: b 25 20 198
8: b 34 22 180
9: b 11 10   0

不幸的是,我必须经常这样做,我使用的表格相当大。 for循环方法有效,但速度太慢。我玩了sqldf包,没有真正的突破。我很乐意使用一些data.table魔法来做到这一点,我需要你的帮助:-)。我认为需要的是某种自连接,条件是t值的差异小于阈值。

跟进: 我有一个跟进问题:在我的应用程序中,这个连接是一遍又一遍地完成的。 v的变化,但t和n总是一样的。所以我想以某种方式存储哪些行属于一起。任何想法如何以聪明的方式做到这一点?

2 个答案:

答案 0 :(得分:12)

好问题。这个答案在里卡多的回答中真的是一个品尝者。

理想情况下,我们希望避免大型笛卡尔自连接以提高效率。遗憾的是,range joins (FR#203)尚未实施。与此同时,使用最新的v1.8.7(未经测试):

setkey(DT,n,t)
DT[,from:=DT[.(n,t-10),which=TRUE,roll=-Inf,rollends=TRUE]]
DT[,to:=DT[.(n,t+10),which=TRUE,roll=+Inf,rollends=TRUE]]
DT[,foo:=0L]
for (i in 1:nrow(DT)) {
    s = seq.int(DT$from[i],DT$to[i])
    set(DT, i, "foo", DT[,sum(v[s]*abs(t[s]-t[i]))] )
}

一旦FR#203完成,上面的逻辑将被内置,它应该成为一个班轮:

setkey(DT,n,t)
DT[.(n,.(t-10,t+10),t), foo:=sum(v*abs(t-i.t))]

i表的第二列有一个2列列(表示连接之间的)。这应该很快,因为像往常一样,j将针对i的每一行进行评估,而无需创建巨大的笛卡尔自连接表。

无论如何,那是当前的想法。

答案 1 :(得分:6)

尝试以下方法:

unique(merge(DT, DT, by="n")[abs(t.x - t.y) <= 10, list(n, sum(v.x * abs(t.x - t.y))), by=list(t.x, v.x)])

上述行的细分

您可以将表与自身合并,输出也将是data.table。请注意,列名称的后缀为.x.y

merge(DT, DT, by="n")

...你可以像任何DT一样过滤和计算

# this will give you your desired rows
[abs(t.x - t.y), ]

# this is the expression you outlined
[ ... , sum(v.x * abs(t.x - t.y)) ]

# summing by t.x and v.x
[ ... , ... , by=list(t.x, v.x)]) ]

然后最终将它全部包装在unique中以删除任何重复的行。


更新:这应该是评论但是太长了

以下行与您的输出相匹配。此答案与答案顶部的唯一区别在于v.y中的sum(v.y * ...)一词,但by语句仍然使用v.x。这是故意的吗?

unique(merge(DT, DT, by="n")[abs(t.x - t.y) <= 10, list(n, sum(v.y * abs(t.x - t.y))), by=list(t.x, v.x)])