Question

我正在使用一个具有相当荒谬的长ID的数据集。在没有得到我期望的结果之后，我将问题追溯到我合并两个数据表的代码步骤。

示例：

options("scipen" = 999) ## The only way I know to disable scientific notation.
library(data.table)
table1 <- data.table("ID" = sample(400000000000:400000000004, size = 5), 
                     "colA" = rep('a', 5))
table2 <- data.table("ID" = sample(400000000000:400000000001, size = 2), 
                     "colB" = rep('b', 2))
merge(table1, table2, by = "ID", all.x = F)

由于每个表在每个表中都是唯一的，因此我希望输出为两行（由于table2而仅返回all.x = F的匹配行。）

相反，我得到：

             ID colA colB
1: 400000000000    a    b
2: 400000000000    a    b
3: 400000000001    a    b
4: 400000000001    a    b

在某一点上，看起来R停止读取这些整数以用于计算目的。 right_join()中的dplyr似乎没有这个特殊问题，在这种情况下，保持data.table类对我来说并不重要。 ..但我仍然有兴趣知道它是否可以避免以及为什么会出现这种限制（以及为什么join()会避免它）。

Answer 1

来自merge文档：

数字列上的合并：数字类型的列（即双精度数）在计算顺序时，将最后两个字节四舍五入 defalult，以避免由于限制而导致的任何意外行为精确表示浮点数。对于大数字（整数> 2 ^ 31），我们建议使用bit64 :: integer64。看一下 setNumericRounding了解更多信息。

这里的解决方案是使用

setNumericRounding(0)
merge(table1, table2, by = "ID", all.x = F)
             ID colA colB
1: 400000000000    a    b
2: 400000000001    a    b

为什么合并data.tables不适用于R中的长数字键，以及避免的方法？

1 个答案: