Question

我正在尝试从data.frame转换为data.table，并且需要对我尝试在单个列上执行的某些逻辑索引提供一些建议。这是我的一张桌子：

places <- data.table(name=c('Brisbane', 'Sydney', 'Auckland',
                            'New Zealand', 'Australia'),
                     search=c('Brisbane AU Australia',
                              'Sydney AU Australia',
                              'Auckland NZ New Zealand',
                              'NZ New Zealand',
                              'AU Australia'))

#           name                  search
# 1:    Brisbane   Brisbane AU Australia
# 2:      Sydney     Sydney AU Australia
# 3:    Auckland Auckland NZ New Zealand
# 4: New Zealand          NZ New Zealand  
# 5:   Australia            AU Australia

setkey(places, search)

我想提取search列与列表中所有字词匹配的行，如下所示：

words <- c('AU', 'Brisbane')
hits <- places
for (w in words) {
    hits <- hits[search %like% w]
}
# I end up with the 'Brisbane AU Australia' row.

我有一个问题：

还有更多data.table - 方法吗？在我看来，每次存储hits似乎是data.frame这样做的方式。

这需要注意我最终想要使用agrep而不是grep / %like%：

words <- c('AU', 'Bisbane') # note the mis-spelling
hits <- places
for (w in words) {
    hits <- hits[agrep(w, search)]
}

我觉得这并没有充分利用data.table的功能，并希望能够如何修改代码。

修改我想要for循环因为places非常大，我只想找到与 all 匹配的行。因此，我只需要在结果中搜索下一个单词的最后一个单词（即，连续细化结果）。

在data.table介绍中谈到“二进制扫描”与“矢量扫描”（即“坏方法”为DT[DT$x == "R" & DT$y == "h"]，“好方法”是setkey(DT, x, y); DT[J("R", "h")]我只是想知道如果有某种方法我可以在这里应用这种方法。

Answer 1

Mathematical.coffee，正如我在评论中提到的，你不能通过将一列（或多列）设置为键列来“部分匹配”。也就是说，在data.table个地方，您已将“搜索”列设置为键列。在这里，您可以通过使用data.table's二进制搜索（而不是矢量扫描子集）来快速子集：

places["Brisbane AU Australia"] # binary search when "search" column is key'd
# is faster compared to:

places[search == "Brisbane AU Australia"] # vector scan

但在你的情况下，你需要：

places["AU"]

使所有行在键列中具有“AU”的部分匹配。这是不可能的（虽然这当然是一个非常有趣的功能）。

如果您自己搜索的substring 不包含不匹配，则可以尝试将搜索字符串拆分为单独的列。也就是说，如果列search分为包含Brisbane，AU和Australia的三列，那么您可以设置{的{em>键 {1}}包含data.table和AU的列。然后，您可以查询您提到的方式：

Brisbane

Answer 2

您可以对agrep函数进行矢量化以避免循环。

请注意，agrep2的结果是一个列表，因此unlist调用

words <- c("Bisbane", "NZ")
agrep2 <- Vectorize(agrep, vectorize.args = "pattern")
places[unlist(agrep2(words, search))]

##           name                  search
## 1:    Brisbane   Brisbane AU Australia
## 2:    Auckland Auckland NZ New Zealand
## 3: New Zealand          NZ New Zealand

`data.table`基于`agrep`选择子集的方法？

2 个答案: