我一直在使用以下格式的dplyr代码
group_by(dt, ID) %>%
filter(any(colY == 1 & colX == 10))
对data.table进行子集化，如下所示
ID colX colY 1111 3 1 1111 2 1 1111 6 0 1111 9 0 2222 10 1 2222 3 1 2222 5 0 2222 7 0 3333 8 1 3333 10 1 3333 3 0 3333 2 0
进入
ID colX colY 2222 10 1 2222 3 1 2222 5 0 2222 7 0 3333 8 1 3333 10 1 3333 3 0 3333 2 0
过滤大约900k行以获得第二个表大约需要1.3秒。
我一直在尝试实现一个更快的data.table子集，但到目前为止结果只花了更长时间。使用以下data.table子集
dt[ , .SD[any( (colY == 1 & colX == 10)) ], ID]
需要大约14秒。这里似乎有什么问题？
答案 0 :(得分：4)
这可能会更快。它避免使用.SD，而是使用.I中给出的行号。
dt[dt[, .I[any(colX == 10 & colY == 1)], by = ID]$V1]
# ID colX colY
# 1: 2222 10 1
# 2: 2222 3 1
# 3: 2222 5 0
# 4: 2222 7 0
# 5: 3333 8 1
# 6: 3333 10 1
# 7: 3333 3 0
# 8: 3333 2 0
内部数据表调用dt[, .I[any(colX == 10 & colY == 1)], by = ID]$V1为我们提供符合条件的组的行号。 .I为我们提供了每个组的行位置。我们可以通过打印电话看到结果：
dt[, print(.I[any(colX == 10 & colY == 1)]), by = ID]
# integer(0)
# [1] 5 6 7 8
# [1] 9 10 11 12
# Empty data.table (0 rows) of 1 col: ID
然后我们只将该结果用作原始数据表的行子集。