Question

我正在使用的数据表就像

require(data.table)
set.seed(2)
dt <- data.table(user=c(rep('a', 3), rep('b', 2), rep('c', 4)),
                 type=c(sample(LETTERS[1:4], 3), 
                        sample(LETTERS[1:4], 2),
                        sample(LETTERS[1:4], 4))
                 )

是

   user type
1:    a    A
2:    a    C
3:    a    B
4:    b    A
5:    b    C
6:    c    D
7:    c    A
8:    c    B
9:    c    C

我想在A，B或C中找到类型的特定用户。在上面的示例中，用户c不合格，因为他的某个类型记录中有D。所以期望的输出应该是

   user type
1:    a    A
2:    a    C
3:    a    B
4:    b    A
5:    b    C

我认为第一种方法显然效率低下，dt与split(dt, dt$user)分开，检查grepl和nrow是否相同，然后编制索引和rbindlist。由于我实际使用的数据表有10989251行，因此有必要进行子集化。

Answer 1

由＆＃39;用户＆＃39;，if all按＆＃39;类型＆＃39;中的元素分组。只有前三个LETTERS，我们得到Data.table的子集（.SD）。在这里，我使用%chin%进行矢量比较，因为它是针对%in%向量优化的character的更快版本。

dt[, if(all(type %chin% LETTERS[1:3])) .SD, by = user]
#    user type
#1:    a    A
#2:    a    C
#3:    a    B
#4:    b    A
#5:    b    C

Answer 2

使用经典的过滤器选择：

dt[unlist(by(type, user, function(x) !!cumprod(x %in% LETTERS[1:3]))),]
#   user type
#1:    a    A
#2:    a    C
#3:    a    B
#4:    b    A
#5:    b    C

Answer 3

有些人可能会发现这种方式不那么优雅，但可能会更快：找到类型为D的用户，然后将其排除。如果没有或很少有重复的用户类型对，可以跳过唯一。

badusers = dt[type=='D',unique(user)];
dt.ABCs = dt[!user %in% badusers,];

R：快速子集大数据表以其中一列

3 个答案: