Question

假设我有以下两个数据表：

dt1 <- data.table(id=1:3,val1=c("a","a","b"),key="id")
#    id val1
# 1:  1    a
# 2:  2    a
# 3:  3    b


dt2 <- data.table(id=c(1:3,1:2),val2=10:14,key="id")
#    id val2
# 1:  1   10
# 2:  1   13
# 3:  2   11
# 4:  2   14
# 5:  3   12

假设dt1是由id dt2标识的人员列表，id这些人的观察列表与通讯员val2。< / p>

现在，我想为每组val1计算dt1[dt2][,mean(val2),by=val1] # val1 V1 # 1: a 12 # 2: b 12的平均值。我明白我可以通过以下方式实现：

dt1[dt2][,mean(val2),by=val1]
dt2[dt1][,mean(val2),by=val1]

但我也在FAQ（第1.14节）中读到它效率不高（至少对于非常大的数据表）。

那么，有更好，更有效的方法吗？

编辑：另一个相关问题：我刚看到以下两行会得到相同的结果：

{{1}}

它们是等价的还是两者之间有区别？

Answer 1

在你的情况下，这样做是可以的。文档解释的内容是iiuc，例如在这种情况下（你没有对所有列进行分组/聚合）：

dt1 <- data.table(id=1:3,val1=c("a","a","b"),key="id")
dt2 <- data.table(id=c(1:3,1:2),val2=10:14,key="id")

dt2[, val3 := rep(5:7, c(2,1,2))]
#    id val2 val3
# 1:  1   10    5
# 2:  1   13    5
# 3:  2   11    6
# 4:  2   14    7
# 5:  3   12    7

现在，假设你想为每个val2单独得到val1的平均值，那么加入所有列是没有意义的。在这种情况下，您可以：

dt1[dt2, list(val1, val2)][, mean(val2), by=val1]
#    val1 V1
# 1:    a 12
# 2:    b 12

而不是：

# gives same result but performs join on all columns
dt1[dt2][, mean(val2), by=val1]

对于您的第二个问题，我认为理解差异dt1[dt2]和dt2[dt1]至关重要。为此，您的数据不是最好的例子。假设，

dt1 <- data.table(id=c(1,4,5), val1=c("a","a","b"))
dt2 <- data.table(id=c(1,2,3,6,7,8), val2=c(6,5,3,4,2,1))

setkey(dt1, "id")
setkey(dt2, "id")

dt1[dt2]为id中的每个dt2获取并获取dt1中所有其他列的相应值以执行加入：

dt1[dt2]
#    id val1 val2
# 1:  1    a    6
# 2:  2   NA    5
# 3:  3   NA    3
# 4:  6   NA    4
# 5:  7   NA    2
# 6:  8   NA    1

dt2[dt1]为id dt1中dt2的其他列dt2[dt1] # id val2 val1 # 1: 1 6 a # 2: 4 NA a # 3: 5 NA b中的每个dt1[dt2]执行加入：

dt2

请注意，dt2[dt1]中的值仅包含 dt1的ID。同样，id仅包含merge中的all=TRUE。在你的情况下，因为merge.data.table s完全相同（忽略它们发生的次数），所以连接都会给你相同的连接（除了列的顺序），iiuc。

只是为了完成此部分，如果您想要“完整”加入，请将merge(dt1, dt2, all = TRUE) merge(dt1, dt2, all.x = TRUE) # is equivalent to dt2[dt1] merge(dt1, dt2, all.y = TRUE) # is equivalent to dt1[dt2]与{{1}}一起使用。 {{1}}方法已实施。

{{1}}

连接和分组两个数据表

1 个答案: