Question

如果A，B和C是data.table，dt中的列，我想做的是：创建一个新列（D），这是C中每个组的最小值，经过过滤后只考虑组中B为真的行。到目前为止，我所拥有的是...

dt[, D := min(A[B == TRUE]), by = C]

这行得通，我得到了我想要的结果，但是它非常慢（我的数据集有几百万行）。有更快，更优雅的方法吗？我只对使用data.table的结果感兴趣，请不要使用dplyr :)

Answer 1

还有另一种方法，该方法是在过滤后为每个组计算SELECT DISTINCT `submodel` from `goods`，然后执行 update join 。缺少的组将设置为min()，从而避免了从整数到双精度的类型转换。

NA

# dummy data
dt <- data.table(A = rep(1:3, 3),
                 B = c(rep(c(FALSE, TRUE, TRUE), 2), rep(FALSE, 3)),
                 C = 10L * rep(1:3, each = 3))
dt[, A := A + C]
dt

    A     B  C
1: 11 FALSE 10
2: 12  TRUE 10
3: 13  TRUE 10
4: 21 FALSE 20
5: 22  TRUE 20
6: 23  TRUE 20
7: 31 FALSE 30
8: 32 FALSE 30
9: 33 FALSE 30

# all variables are integer or logical
str(dt)

Classes ‘data.table’ and 'data.frame':    9 obs. of  3 variables:
 $ A: int  11 12 13 21 22 23 31 32 33
 $ B: logi  FALSE TRUE TRUE FALSE TRUE TRUE ...
 $ C: int  10 10 10 20 20 20 30 30 30
 - attr(*, ".internal.selfref")=<externalptr>

dt[dt[(B), min(A), by = C], on = "C", D := V1][]

    A     B  C  D
1: 11 FALSE 10 12
2: 12  TRUE 10 12
3: 13  TRUE 10 12
4: 21 FALSE 20 22
5: 22  TRUE 20 22
6: 23  TRUE 20 22
7: 31 FALSE 30 NA
8: 32 FALSE 30 NA
9: 33 FALSE 30 NA

# all variables are still integer or logical
str(dt)

表达式

Classes ‘data.table’ and 'data.frame':    9 obs. of  4 variables:
 $ A: int  11 12 13 21 22 23 31 32 33
 $ B: logi  FALSE TRUE TRUE FALSE TRUE TRUE ...
 $ C: int  10 10 10 20 20 20 30 30 30
 $ D: int  12 12 12 22 22 22 NA NA NA
 - attr(*, ".internal.selfref")=<externalptr>

按组返回最小值（如果有）

dt[(B), min(A), by = C]

注意事项：我并不是说这比OP的方法要快。由于缺乏可重现的示例，我无法对其进行测试，该示例可以按问题大小进行缩放以进行基准测试。

Answer 2

我最终将列A转换为数值类型（从整数），以便空组返回最小值NA，然后使用pmin.int（）代替min（）。事实证明，这比我原来的方法快4倍！

data.table：查找每个组的子集的最小值

2 个答案: