R語言data.table速查手冊
介紹
R中的data.table包提供了一個data.frame的高級版本，讓你的程序做數據整型的運算速度大大的增加。data.table已經在金融，基因工程學等領域大放光彩。他尤其適合那些需要處理大型數據集（比如 1GB 到100GB）需要在內存中處理數據的人。不過這個包的一些符號並不是很容易掌握，因為這些操作方式在R中比較少見。這也是這篇文章的目的，為了給大家提供一個速查的手冊。
data.table的通用格式: DT[i, j, by]，對於數據集DT，選取子集行i,通過by分組計算j
1.生成一個data.table對象
生成一個data.table對象，記為DT.
> library(data.table) > set.seed(45L) > DT <- data.table(V1=c(1L,2L), + V2=LETTERS[1:3], + V3=round(rnorm(4),4), + V4=1:12) > DT V1 V2 V3 V4 1: 1 A -1.1727 1 2: 2 B -0.3825 2 3: 1 C -1.0604 3 4: 2 A 0.6651 4 5: 1 B -1.1727 5 6: 2 C -0.3825 6 7: 1 A -1.0604 7 8: 2 B 0.6651 8 9: 1 C -1.1727 9 10: 2 A -0.3825 10 11: 1 B -1.0604 11 12: 2 C 0.6651 12
2.通過i來篩選數據集的行
通過數字來篩選數據集的行
選取第三行到第五行
> DT[3:5,] #or DT[3:5] V1 V2 V3 V4 1: 1 C -1.0604 3 2: 2 A 0.6651 4 3: 1 B -1.1727 5
基於使用快速自動索引條件，使用列名選擇行i
在V2這一列，選擇所有值為A的行
> DT[ V2 == "A"]
V1 V2 V3 V4
1: 1 A -1.1727 1 2: 2 A 0.6651 4 3: 1 A -1.0604 7 4: 2 A -0.3825 10
選擇多個值:
選擇在這一列中包含value1或value2的所有值
> DT[column %in% c("value1","value2")]
選擇V2這列中包含值A或C的所有行
> DT[ V2 %in% c("A","C")] V1 V2 V3 V4 1: 1 A 0.3408 1 2: 2 A -0.7460 4 3: 1 A -0.3795 7 4: 2 A -0.7033 10 5: 1 C -0.3795 3 6: 2 C -0.7033 6 7: 1 C 0.3408 9 8: 2 C -0.7460 12
3.通過j來操作列
通過j來選擇一列
> DT[,V2]
[1]"A" "A" "A" "A" "B" "B" "B" "B" "C" "C" "C" "C"
注意到V2這一列是以向量的形式返回的
通過j來選擇多列
> DT[,.(V2,V3)] V2 V3 1: A 0.3408 2: A -0.7460 3: A -0.3795 4: A -0.7033 5: B -0.7033 6: B 0.3408 7: B -0.7460 8: B -0.3795 9: C -0.3795 10: C -0.7033 11: C 0.3408 12: C -0.7460
V2與V3這兩列以data.table的形式返回
.()為list()的一個別名。如果使用.(),返回的為一個data.table對象。如果不使用.()，結果為返回一個向量。
在j上調用函數
> DT[,sum(V1)] [1] 18
以向量的形式返回V1列中所有元素的總和
在多列上進行計算
以data.table的形式，返回V1這列的所有元素之和與V3這列的標准差
> DT[,.(sum(V1),sd(V3))] V1 V2 1: 18 0.4546055
指定計算列的列名
類似上例，但有一個新的列名
> DT[,.(Aggregate = sum(V1), Sd.V3 = sd(V3))] Aggregate Sd.V3 1: 18 0.4546055
若列的長度不一，則會循環對齊
選擇V1這一列，並計算V3這列的標准差，將會得到一個標准差的值並循環補齊
> DT[,.(V1, Sd.V3 = sd(V3))] V1 Sd.V3 1: 1 0.4546055 2: 2 0.4546055 3: 1 0.4546055 4: 2 0.4546055 5: 2 0.4546055 6: 1 0.4546055 7: 2 0.4546055 8: 1 0.4546055 9: 1 0.4546055 10: 2 0.4546055 11: 1 0.4546055 12: 2 0.4546055
多個表達式可以包裹在花括號中
輸出V2這一列並繪制V3這一列
> DT[,{print(V2)
plot(V3)
NULL}] [1] "A" "A" "A" "A" "B" "B" "B" "B" "C" "C" "C" "C" #And a plot NULL
4.根據分組來操作j
根據分組來操作j
對V1中的每一類來計算V4列的和
> DT[,.(V4.Sum = sum(V4)),by=V1]
V1 V4.Sum
1: 1 36 2: 2 42
通過使用.()控制多個列來操作j
與上例類似，但每一個分組包含V1和V2兩列
> DT[,.(V4.Sum = sum(V4)),by=.(V1,V2)]
V1 V2 V4.Sum
1: 1 A 8 2: 2 A 14 3: 2 B 10 4: 1 B 16 5: 1 C 12 6: 2 C 18
在by中調用函數
以sign(V1-1)為分組，計算各個分組中V4列的和:
> DT[,.(V4.Sum = sum(V4)),by=sign(V1-1)] sign V4.Sum 1: 0 36 2: 1 42
通過指定i行子集的分組進行操作
在前5行數據集中，通過V1列的分組來計算V4列的總和:
> DT[1:5,.(V4.Sum = sum(V4)),by=V1] V1 V4.Sum 1: 1 8 2: 2 16
使用函數.N來得到每個類別的總觀測數
在V1列中計算每個分組的觀測數
> DT[,.N,by=V1]
V1 N
1: 1 6 2: 2 6
5.使用:=引用來添加或更新一列
在一行中使用:=引用來添加或更新列.
注意: 額外的指定 (DT <- DT[…])是多余的
使用:=來更新V1列:
> DT[, V1 := round(exp(V1),2)]
這段代碼沒有顯式的返回結果，而V1列從[1] 1 2 1 2 … 變成了 [1] 2.72 7.39 2.72 7.39 …
使用:=引用來添加或更新多列
使用:=更新V1列和V2列：
> DT[, c("V1","V2") := list(round(exp(V1),2), LETTERS[4:6])]
同樣沒有顯式的返回結果，V1列的結果與上相同，V2列從[1] “A” “B” “C” “A” “B” “C” … 變成: [1] “D” “E” “F” “D” “E” “F” …
使用函數:=
上例的另一種寫法,但會在書寫時更易並齊。而且,當添加[]時，結果會返回在屏幕中
> DT[, ':=' (V1 =round(exp(V1),2),V2 = LETTERS[4:6])][]
與上例變化相同,但是由於在語句最后添加了[]，這一結果會返回至屏幕
通過使用:=來移除一列
移除V1列
> DT[, V1 := NULL]
無顯式的返回結果，但V1列變為NULL
通過使用:=來移除多列
移除V1列與V2列
> DT[, c("V1","V2") := NULL]
無顯式的返回結果，但V1列與V2列變為NULL
將一個包含列名的變量用小括號包裹起來，變量所傳遞的內容將會被刪除
注意：列名為Cols.chosen的列將會被刪除，這里不是刪除”V1”,”V2”列
> Cols.chosen = c("V1","V2") > DT[, Cols.chosen := NULL]
無顯式的返回結果，列名為Cols.chosen的列將會被刪除
刪除指定變量Cols.chosen包含的V1列和V2列
> DT[, (Cols.chosen) := NULL]
無顯式的返回結果，列名為V1和V2的列變為NULL##索引與鍵值
使用setkey()函數設置鍵值
setkey()函數可以在數據集DT上設置鍵值。當我們設置好key后，data.table會將數據按照key來排序。
在V2列上設置一個鍵值
> setkey(DT,V2)
無顯示返回結果
使用鍵值來選擇行
使用鍵值可以更加有效地選擇行
由於已將V2設置了鍵值，將會返回該列中所有包含變量值A的行
> DT["A"]
V1 V2 V3 V4
1: 1 A -1.1727 1 2: 2 A 0.6651 4 3: 1 A -1.0604 7 4: 2 A -0.3825 10
返回鍵值所在列(V2列)包含變量值A或變量值C的所有行
> DT[c("A","C")] V1 V2 V3 V4 1: 1 A -0.8981 1 2: 2 A -0.1745 4 3: 1 A -0.5014 7 4: 2 A -0.3348 10 5: 1 C -0.5014 3 6: 2 C -0.3348 6 7: 1 C -0.8981 9 8: 2 C -0.1745 12
mult參數
mult參數是用來控制i匹配到的哪一行的返回結果默認情況下會返回該分組的所有元素
返回匹配到鍵值所在列(V2列)所有行中的第一行
> DT["A", mult ="first"] V1 V2 V3 V4 1: 1 A -1.1727 1
返回匹配到鍵值所在列(V2列)所有行中的最后一行
> DT["A", mult = "last"] V1 V2 V3 V4 1: 2 A -0.3825 10
nomatch參數
nomatch參數用於控制，當在i中沒有到匹配數據的返回結果，默認為NA，也能設定為0。0意味着對於沒有匹配到的行將不會返回。
返回匹配到鍵值所在列(V2列)所有包含變量值A或D的所有行：
> DT[c("A","D")] V1 V2 V3 V4 1: 1 A -1.1727 1 2: 2 A 0.6651 4 3: 1 A -1.0604 7 4: 2 A -0.3825 10 5: NA D NA NA
變量值A匹配到了，而變量值D沒有，故返回NA。
返回匹配到鍵值所在列(V2列)所有包含值A或D的所有行：
> DT[c("A","D"), nomatch = 0] V1 V2 V3 V4 1: 1 A -1.1727 1 2: 2 A 0.6651 4 3: 1 A -1.0604 7 4: 2 A -0.3825 10
因為nomatch參數，值D沒有匹配到故不返回。
by=.EACHI參數
by=.EACHI允許按每一個已知i的子集分組，在使用by=.EACHI時需要設置鍵值
返回鍵值(V2列)中包含A或C的所有行中，V4列的總和。
> DT[c("A","C"), sum(V4)] [1] 52
返回鍵值所在列(V2列)中包含A的行在V4列總和與包含C的行在V4列的總和。
> DT[c("A","C"), sum(V4), by=.EACHI] V2 V1 1: A 22 2: C 30
使用setkey()設置一個多列主鍵
任意列都能使用setkey()來設置主鍵，這種方式可以選擇2個列作為一個主鍵。以下是一個等值連接V1列的每個組先根據V1排序，再根據V2排序。
> setkey(DT,V1,V2)
無顯式返回結果
選擇鍵值1(V1列)為2且鍵值2(V2列)為C的行。
> DT[.(2,"C")] V1 V2 V3 V4 1: 2 C -0.3825 6 2: 2 C 0.6651 12
選擇鍵值1(V1列)為2且鍵值2(V2列)為A或C的行
> DT[.(2,c("A","C"))] V1 V2 V3 V4 1: 2 A 0.6651 4 2: 2 A -0.3825 10 3: 2 C -0.3825 6 4: 2 C 0.6651 12
6.data.table高級操作
.N
.N可以用來表示行的數量或者最后一行
在i處使用：
> DT[.N-1] V1 V2 V3 V4 1: 1 B -0.5765 11
返回每一列的倒數第二行
在j處使用：
> DT[,.N-1] [1] 11
返回倒數第二行所在的行數。
.()
.()是list()的一個別名，他們在data.table中是等價的。當只有一個元素的位置j或者by中，是不需要.()的。
在j中使用：
> DT[,.(V2,V3)] #or DT[,list(V2,V3)] V2 V3 1: A -0.8313 2: B 0.7615 3: C -0.5765
在by中使用：
> DT[, mean(V3),by=.(V1,V2)]
V1 V2 V1
1: 1 A -0.70390 2: 2 B 0.06755 3: 1 C -0.70390 4: 2 A 0.06755 5: 1 B -0.70390 6: 2 C 0.06755
以V1，V2為分組，對V3求均值
.SD參數
.SD是一個data.table，他包含了各個分組，除了by中的變量的所有元素。.SD只能在位置j中使用：
> DT[, print(.SD), by=V2] V1 V3 V4 1: 1 -0.8313 1 2: 2 -0.6264 4 3: 1 -0.5765 7 4: 2 0.7615 10 V1 V3 V4 1: 2 0.7615 2 2: 1 -0.8313 5 3: 2 -0.6264 8 4: 1 -0.5765 11 V1 V3 V4 1: 1 -0.5765 3 2: 2 0.7615 6 3: 1 -0.8313 9 4: 2 -0.6264 12 Empty data.table (0 rows) of 1 col: V2
以V2為分組，選擇每組的第一和最后一列：
> DT[,.SD[c(1,.N)], by=V2] V2 V1 V3 V4 1: A 1 -0.8313 1 2: A 2 0.7615 10 3: B 2 0.7615 2 4: B 1 -0.5765 11 5: C 1 -0.5765 3 6: C 2 -0.6264 12
以V2為分組，計算.SD中所有元素的和:
> DT[, lapply(.SD, sum), by=V2]
V2 V1 V3 V4
1: A 6 -1.2727 22 2: B 6 -1.2727 26 3: C 6 -1.2727 30
.SDcols
.SDcols常於.SD用在一起，他可以指定.SD中所包含的列，也就是對.SD取子集：
> DT[, lapply(.SD,sum), by=V2,
+ .SDcols = c("V3","V4")] V2 V3 V4 1: A -1.2727 22 2: B -1.2727 26 3: C -1.2727 30
.SDcols也可以是一個函數的返回值：
> DT[, lapply(.SD,sum), by=V2,
+ .SDcols = paste0("V",3:4)] V2 V3 V4 1: A -1.2727 22 2: B -1.2727 26 3: C -1.2727 30
結果與上一個是相同的。
7.串聯操作可以把表達式聚合在一起並避免多余的中間變量
把多個操作串聯起來，這等價於SQL中的having
> DT<-DT[, .(V4.Sum = sum(V4)),by=V1] > DT[V4.Sum > 35] #no chaining V1 V4.Sum 1: 1 36 2: 2 42
這個是不使用串聯的方法，先以V1為分組，對V4求和，然后再把分組總和大於35的取出來。
使用串聯的方法：
> DT[, .(V4.Sum = sum(V4)),by=V1][V4.Sum > 35 ] V1 V4.Sum 1: 1 36 2: 2 42
分組求和之后對V1進行排序：
> DT[, .(V4.Sum = sum(V4)),by=V1][order(-V1)] V1 V4.Sum 1: 2 42 2: 1 36
8.使用set()家族
set()
set()通常用來更新給定的行和列的值，要注意的是，他不能跟by結合使用。
> rows = list(3:4,5:6) > cols = 1:2 > for (i in seq_along(rows)) + { + set(DT, + i=rows[[i]], + j = cols[i], + value = NA) +} > DT V1 V2 V3 V4 1: 1 A -0.0559 1 2: 2 B -0.4450 2 3: NA C 0.0697 3 4: NA A -0.1547 4 5: 1 NA -0.0559 5 6: 2 NA -0.4450 6 7: 1 A 0.0697 7 8: 2 B -0.1547 8
以上程序把給定的一組行和列都設置為了NA
setname()
與set()同理，setname()可以修改給定的列名和行名，以下程序是
#把名字為"old"的列，設置為"new" > setnames(DT,"old","new") #把"V2","V3"列，設置為"V2.rating","V3.DataCamp" > setnames(DT,c("V2","V3"),c("V2.rating","V3.DataCamp"))
setcolorder()
setcolorder()可以用來修改列的順序。
setcolorder(DT,c("V2","V1","V4","V3"))
這段代碼會使得列的順序變成：
[1] "V2" "V1" "V4" "V3"
栗子🌰：
首先介紹下data.table的語法，如下所示：
在data.table包中，我們可以使用:=引用來添加或更新列
內置的 order() 函數 * 我們可以對一個字符型的列，使用減號“-”，來實現降序排列。
當我們用list()的時候，返回的是data.table，不用list()時，返回的是向量。一般建議加上list()，除非你就是想要得到向量格式的數據。
# select取子集方法之subset(x, subset, select)
注：subset特指對列的選擇，select特指對行的選擇, with = FALSE 來引用列名
select列
* 既然列可以作為變量被引用，我們可以直接引用我們想選取的列。
* 既然我們想選取所有的行，則可毋需指定參數 i。
* 返回了所有行的 arr_delay 列。
特殊的語法
.SD: data.table提供一個特殊的語法，形式是 .SD。它是 Subset of Data 的縮寫。
它自身就是一個data.table，包含通過by 分組后的每一組。 回憶一下，一個data.table本質上是一個list，它們的列包含的元素個數都相同（其實就是行數）。
說明：
* .SD 包含除了分組依據的那一列以外的所有列。 * 返回值依舊保持了原數據的順序。首先打印出來的是 ID=“b” 的數據，然后是 ID=“a” 的，最后是 ID=“c” 的。
為了對復數的列進行計算，我們可以簡單地使用函數 lapply()。
說明：
* .SD 分別包含了ID是 a、b、c的所有行，它們分別對應了各自的組。我們應用函數 lapply() 對每列計算平均值。 * 每一組返回包含三個平均數的list，這些構成了最終返回的data.table。 * 既然函數 lapply() 返回 list，我們就不需要在外面多加 .() 了。－如何指定希望計算平均值的列
.SDcols 使用參數 .SDcols。它接受列名或者列索引。比如，.SDcols = c("arr_delay", "dep_delay")能確保.SD之包含 arr_delay 和 dep_delay 這兩列。 和 with = FALSE 一樣，我們也可以使用 - 或者 ! 來移除列。比如，我們指定 !(colA:colB) 或者 -(colA:colB)表示移除從 colA 到 colB 的所有列。 
總結
data.table的語法形式是：
DT[i, j, by] 指定參數i：
* 類似於data.frame，我們可以subset行，除非不需要重復地使用 DT$，既然我們能將列當做變量來引用。 * 我們可以使用order()排序。為了得到更快速的效果，order()函數內部使用了data.table的快速排序。 我們可以通過參數i做更多的事，得到更快速的選取和連結。我們可以在教程“Keys and fast binary search based subsets”和“Joins and rolling joins”中學到這些。 指定參數j：
* 以data.table的形式選取列：DT[, .(colA, colB)]。 * 以data.frame的形式選取列：DT[, c("colA", "colB"), with=FALSE]。 * 按列進行計算：DT[, .(sum(colA), mean(colB))]。 * 如果需要：DT[, .(sA =sum(colA), mB = mean(colB))]。 * 和i共同使用：DT[colA > value, sum(colB)]。 指定參數by：* 通過by，我們可以指定列，或者列名，甚至表達式，進行分組。參數j可以很靈活地配置參數i和by實現強大的功能。
* by可以指定多個列，也可以指定表達式。 * 我們可以用 keyby，對分組的結果自動排序。 * 我們可以在參數j中指定 .SD 和 .SDcols，對復數的列進行操作。例如： 1.把函數fun 應用到所有 .SDcols指定的列上，同時對參數by指定的列進行分組：DT[, lapply(.SD, fun), by=., .SDcols=...]。 2.返回每組冊前兩行：DT[, head(.SD, 2), by=.]。 3.三個參數聯合使用：DT[col > val, head(.SD, 1), by=.]
原文來自DataCamp課程的data.table官方速查表
原文鏈接：The data.table R package cheat sheet
http://youngspring1.github.io/post/2016/2016-03-13-datatable1/