Question

示例数据：

library(data.table)
DT <- data.table(a = c(1, 3, 5, 9, 15), 
                 b = c("a", "c", "d", "e", "f"))

我想获得两行a == 3 | a == 9，即

# a b
# 3 c
# 9 e

我知道如果我：DT[, a:=as.character(a)]然后setkey(DT, a)和DT[c("3", "9")]，我可以得到想要的结果。但是我想知道，如果有其他方法可以进行这种二进制搜索而不事先将a更改为字符？

Answer 1

首先，每次执行基于连接/二进制搜索的子集之前，不必转换为字符列。你可以使用J()并传递一个整数/数字/字符/逻辑/ bit64 :: integer64向量，如下所示：

DT[J(vec1, vec2, ...)]

其中，vec1将与第一个键列匹配，vec2与第二个键列匹配，依此类推。

为方便起见，您不必为字符类型添加J()这一事实是附加功能。因为整数/数字/逻辑向量已经具有这样的含义 - DT[1]将返回第一行，所以我们无法为这些类型提供相同的快捷方式。希望这能回答你原来的问题。

回到您的问题，使用值a对列(3,9)进行子集化，您可以使用data.table基于二进制搜索的子集来执行此操作：

require(data.table)
setkey(DT, a)
DT[J(c(3,9))] ## alternatively DT[.(c(3,9))] in 1.9.4+
#    a b
# 1: 3 c
# 2: 9 e

要使用data.table的二分搜索功能 fast 子集，有两点需要注意：

它要求您对整个数据进行排序（可能并不总是如此）。
在非常大的数据集上，重新安排内存中数据的时间可能非常耗时（查找订单本身通常比移动数据便宜得多）。

为了解决这些问题并提供更好的功能，data.table通过引入一个新的实验性功能 - 借助二级密钥<自动索引来解决1.9.4中的这个问题/ em>的。马特在1.9.4中实现了这一点。

自动索引的作用是，如果辅助密钥尚不存在，则在第一次运行data.table可理解（此时）的表达式时，将创建辅助密钥。它只使用data.table的快速基数排序来存储此列的顺序，并将其存储为属性。与setkey不同，根本没有重新排序数据。您还可以使用set2key()设置辅助密钥。

第一次运行时，所花费的时间等于a）辅助密钥的时间（通常非常小），以及b）查询的时间。从第二次开始，这只是查询的时间，而且使用二进制搜索很快。

如果使用data.table现在可以理解的表达式查询另一列，那么它还会在第一次运行时另外为该列设置一个辅助键。等等...

两种方法之间的速度应该没有（明显的）差异（一旦setkey和set2key完成）。见下面的例子。

辅助密钥的概念可以扩展到自动索引之外，也可以扩展到连接。这将加速data.table进一步加入。

这是一个例子。我将使用1.9.5，因为Matt已经修复了自动索引中的一些错误。

require(data.table) ## 1.9.5+ set.seed(45L) DT = data.table(x=sample(1e3, 5e7, TRUE))[, y := x] setkey(DT, x) set2key(DT, y)

请注意，setkey(.) DT将通过引用重新排序。但set2key只会设置一个属性，因此您的数据不会根据y的顺序重新排序。

列x和y是相同的（有意）。让我们测试两者：

system.time(DT[J(100L)]) ## on column x, 0.003 seconds system.time(DT[y == 100L]) ## on column y, 0.003 seconds, uses secondary keys identical(DT[J(100L)], DT[y==100L]) # [1] TRUE

矢量扫描需要多长时间？

options(datatable.auto.index = FALSE) system.time(DT[y == 100L]) ## 0.428 seconds

Answer 2

您不需要将其转换为字符向量（尽管整数会更有意义）

 DT <- data.table(a = c(1, 3, 5, 9, 15), b = c("a", "c", "d", "e", "f"))
 setkey(DT, a)
 DT[J(c(3, 9))]

此外，如果您在CRAN中拥有最新版本，则第二次使用in i将自动使用二进制搜索

data.table：如何在一个键上二进制搜索两个（数字）值：包括示例

2 个答案: