data.table包简介

data.table包主要特色是：设置keys、快速分组和滚得时序的快速合并。data.table主要通过二元检索法大大提高数据操作的效率，同时它也兼容适用于data.frame的向量检索法。

require(data.table)

## Loading required package: data.table

1.创建data.table格式数据

类似于data.frame数据的创建，使用data.table函数

(DF = data.frame(x=c("b","b","b","a","a"), v=rnorm(5)))

##   x       v
## 1 b -0.8870
## 2 b  1.6066
## 3 b -0.1895
## 4 a  0.2375
## 5 a  1.0084

(DT = data.table(x=c("b","b","b","a","a"), v=rnorm(5)))

##    x       v
## 1: b -1.8458
## 2: b -0.2212
## 3: b -0.5812
## 4: a  0.2949
## 5: a  1.7858

可以看出，DF和DT的行号有一些区别，这也是data.frame和data.table主要区别。我们可以利用data.frame创建data.table：

CARS = data.table(cars)
head(CARS)

##    speed dist
## 1:     4    2
## 2:     4   10
## 3:     7    4
## 4:     7   22
## 5:     8   16
## 6:     9   10

现在我们已经创建了两个data.table数据，tables命令可以显示该信息：

tables()

##      NAME NROW MB COLS       KEY
## [1,] CARS   50 1  speed,dist
## [2,] DT      5 1  x,v
## Total: 2MB

其中"MB"列可以快速评估内存使用，发现删除可以释放内存的表格。

如果要查看表中数据类型可以使用

sapply(DT, class)

##           x           v
## "character"   "numeric"

2.键Keys

类似人的姓名有“姓”和“名”组成，data.table中的Keys可以由多个部分组成，Keys的组成部分可以使整数、因子、字符串或其他格式，而且data.table中的每行数据是按照Keys排序的，所以data.table数据最多只有一个Key.

DT和CARS是data.table格式，当前没有设置任何Keys，我们可以使用适用于数据框data.frame的语法：

DT[2, ]

##    x       v
## 1: b -0.2212

DT[DT$x=="b", ]

##    x       v
## 1: b -1.8458
## 2: b -0.2212
## 3: b -0.5812

由于DT没有行名称，所以下面的命令不能正常运行：

cat(try(DT["b", ], silent=TRUE))

## Error in `[.data.table`(DT, "b", ) :
##   When i is a data.table (or character vector), x must be keyed (i.e. sorted, and, marked as sorted) so data.table knows which columns to join to and take advantage of x being sorted. Call setkey(x,...) first, see ?setkey.

报错信息显示，我们需要对data.table数据设置keys：

setkey(DT, x)
DT

##    x       v
## 1: a  0.2949
## 2: a  1.7858
## 3: b -1.8458
## 4: b -0.2212
## 5: b -0.5812

此时，DT已经按照x值进行了重新排序，如果要确认一个data.table数据是否有keys，我们可以使用haskey()、key()、attributes()或者tables()函数。

tables()

##      NAME NROW MB COLS       KEY
## [1,] CARS   50 1  speed,dist
## [2,] DT      5 1  x,v        x
## Total: 2MB

现在，DT数据已经拥有Key:x,我们尝试列出所有x=b的数据

DT["b", ]

##    x       v
## 1: b -1.8458
## 2: b -0.2212
## 3: b -0.5812

使用mult可以筛选出每组数据的第一个观测值和最后一个观测值

DT["b", mult="first"]

##    x      v
## 1: b -1.846

DT["b", mult="last"]

##    x       v
## 1: b -0.5812

下面创建一个足够大的数据来说明“向量检索法”和“二元检索法”的效率差异。

#10000068行，676个分组的数据DF
grpsize = ceiling(1e7/26^2)
tt=system.time( DF <- data.frame(
  x=rep(LETTERS,each=26*grpsize),
  y=rep(letters,each=grpsize),
  v=runif(grpsize*26^2),
  stringsAsFactors=FALSE)
)
tt

##    user  system elapsed
##    1.56    0.05    1.60

head(DF, 3)

##   x y       v
## 1 A a 0.08119
## 2 A a 0.64764
## 3 A a 0.80780

tail(DF, 3)

##          x y       v
## 10000066 Z z 0.65856
## 10000067 Z z 0.01941
## 10000068 Z z 0.88818

dim(DF)

## [1] 10000068        3

下面我们从DF中剥离其中任意一组

#'向量检索法'
(tt=system.time(ans1 <- DF[DF$x=="R" & DF$y=="h",]))

##    user  system elapsed
##    2.92    0.14    3.06

head(ans1, 3);dim(ans1)

##         x y       v
## 6642058 R h 0.90416
## 6642059 R h 0.86002
## 6642060 R h 0.02253

## [1] 14793     3

#'二元检索法'
DT = as.data.table(DF)
system.time(setkey(DT,x,y))#一次性遍历所有元素时间

##    user  system elapsed
##    0.26    0.04    0.31

(ss=system.time(ans2 <- DT[J("R","h")]))#二元条件检索

##    user  system elapsed
##    0.01    0.00    0.01

head(ans2, 3);dim(ans2)

##    x y       v
## 1: R h 0.90416
## 2: R h 0.86002
## 3: R h 0.02253

## [1] 14793     3

identical(ans1$v, ans2$v)

## [1] TRUE

可以看出使用二元检索法较向量检索法，效率上要高很多。

当然，data.table也支持向量检索，但这样的话效率会低很多，我们应尽量避免这种情况。例如：

system.time(ans1 <- DT[x=="R" & y=="h",])#低效的data.table用法

##    user  system elapsed
##    2.41    0.08    2.49

system.time(ans2 <- DF[DF$x=="R" & DF$y=="h",])#data.frame用法

##    user  system elapsed
##    4.59    0.20    4.89

mapply(identical,ans1,ans2)

##    x    y    v
## TRUE TRUE TRUE

上例中，当使用DT$x==“R"时候，就会使用”向量检索法“遍历数据的整列，y=="h"同样，最后再使用”&“合并两个条件。data.table包提供了J()函数用于数据合并，可以大大提高效率。

identical( DT[J("R","h"), ], DT[data.table("R","h"), ])

## [1] TRUE

3.快速分组

对于data.table，使用”[i, j]“进行二元检索，我们可以接"by"进行分组计算

DT[, sum(v), by=x]

##     x     V1
##  1: A 192333
##  2: B 192379
##  3: C 192299
##  4: D 192062
##  5: E 192653
##  6: F 192099
##  7: G 192296
##  8: H 192402
##  9: I 192396
## 10: J 192262
## 11: K 192200
## 12: L 192308
## 13: M 192475
## 14: N 192103
## 15: O 192423
## 16: P 192341
## 17: Q 192340
## 18: R 192135
## 19: S 192233
## 20: T 192492
## 21: U 192434
## 22: V 191940
## 23: W 192353
## 24: X 192466
## 25: Y 192206
## 26: Z 192385
##     x     V1

该种方法相当高效，下面我们将其与tapply函数进行对比

ttt=system.time(tt <- tapply(DT$v,DT$x,sum)); ttt

##    user  system elapsed
##    3.15    0.48    3.67

sss=system.time(ss <- DT[,sum(v),by=x]); sss

##    user  system elapsed
##    0.34    0.00    0.34

head(tt);head(ss)

##      A      B      C      D      E      F
## 192333 192379 192299 192062 192653 192099

##    x     V1
## 1: A 192333
## 2: B 192379
## 3: C 192299
## 4: D 192062
## 5: E 192653
## 6: F 192099

identical(as.vector(tt), ss$V1)

## [1] TRUE

下面我们按两列进行分组，比较两种方法的效率

ttt=system.time(tt <- tapply(DT$v,list(DT$x,DT$y),sum)); ttt

##    user  system elapsed
##    5.64    0.63    6.36

sss=system.time(ss <- DT[,sum(v),by="x,y"]); sss

##    user  system elapsed
##    0.35    0.00    0.34

tt[1:5,1:5]

##      a    b    c    d    e
## A 7507 7417 7360 7383 7399
## B 7449 7453 7405 7374 7384
## C 7412 7388 7375 7442 7388
## D 7430 7387 7418 7338 7433
## E 7387 7464 7440 7434 7464

head(ss)

##    x y   V1
## 1: A a 7507
## 2: A b 7417
## 3: A c 7360
## 4: A d 7383
## 5: A e 7399
## 6: A f 7413

identical(as.vector(t(tt)), ss$V1)

## [1] TRUE

4.其他

关于data.table的更多信息参见:https://github.com/Rdatatable/data.table

----------------------------------------------------------------------------------------

• 简介 
  data.table继承于data.frame。它提供了一个快速通道，让我们能更加快速的读取文件，对数据进行筛选、分组、排序、联表，而且其语法灵活、简介。由于data.table是一个data.frame所以它几乎兼容所有的函数。

• 特点

  1. data.table(DT)的操作语句类似于SQL，DT[i, j, by]中的i, j, by 对应着SQL语句的 i=where, j=select, by=group by。所以DT中的i, j并不是只是像data.frame只代表着行列，它更加的灵活多变。
  2. 符号 ” := “快速的增加或者删除列，类似SQL的update。
  3. setkey(DT, colA, colB)，可以使得检索和分组更加快速
  4. order,快速多重排序， 例如对DT按照x,y进行排序DT[order(DT$x, -DT$y),]或者DT[with(DT, order(x, -y)),]

• compare 
  包括使用DT使用Key后与DF的检索速度对比。 
  快速分组（需要设置KEY）,进行计算，和使用tapply分组计算速度

###生成数据
grpsize <- ceiling(1e7/26^2)  ##10^7 rows, 676 groups
DF <- data.frame(x=rep(LETTERS,each=26*grpsize),
    y=rep(letters,each=grpsize), v=runif(grpsize*26^2),
    stringsAsFactors=FALSE)
head(DF,3)
  x y     v
1 A a 0.5310106
2 A a 0.1980941
3 A a 0.8835322

DT <- as.data.table(DF) ##creat data.table
setkey(DT,x,y) #s et the key
##################################################
#比较检索速度，搜索x=="R",y="h"
system.time(ans1 <- DF[DF$x=="R" & DF$y=="h",])  #vector scan
 user  system  elapsed
0.528   0.016   0.544
system.time(ans2 <- DT[list("R","h")]) # binary search
 user  system  elapsed
0.004   0.000   0.001

####################################################
###快速分组,按照x分组，然后计算sum(v)
#tapply
system.time(tt <- tapply(DT$v,DT$x,sum))
 user  system  elapsed
0.704   0.064   0.767
#syntax of data.table
system.time(ss <- DT[,sum(v),by=x])
 user  system  elapsed
0.080   0.000   0.078
#cheak ss and tt
head(ss)
   x     V1
1: A 192213.2
2: B 192183.3
3: C 192601.7
4: D 192308.0
5: E 192428.5
6: F 192071.0
head(tt)
   A        B        C        D        E        F
192213.2 192183.3 192601.7 192308.0 192428.5 192071.0

• 其他基本操作 
  联表和统计计算，更清晰认知，DT[i, j, by]中的i, j, by 对应着SQL语句的 i=where, j=select, by=group by。

###Data preparation
DT = data.table(x=rep(c("a","b","c"),each=3), y=c(1,3,6), v=1:9) ##creat data.table DT
X = data.table(c("b","c"),foo=c(4,2)) ##use to join
setkey(DT,x)    #set the key
########################cheak the data#######
DT
   x y v
1: a 1 1
2: a 3 2
3: a 6 3
4: b 1 4
5: b 3 5
6: b 6 6
7: c 1 7
8: c 3 8
9: c 6 9

X
  V1 foo
1:  b   4
2:  c   2
#################联表，注key1联的另一个表的第一列#################
##join类型1，联表，X中有b,c
DT[X]   ##join X,by the key x.
   x  y  v  foo
1: b 1 4   4
2: b 3 5   4
3: b 6 6   4
4: c 1 7   2
5: c 3 8   2
6: c 6 9   2
##join类型2，类似查询,.() 表示list,类似于联一个1行2列的表
DT[.("a",3)]
   x y v V2
1: a 1 1  3
2: a 3 2  3
3: a 6 3  3
#############################计算建表#############
#where=DT, select=sum(v)....., group by DT$x
DT[,list(MySum=sum(v),
         MyMin=min(v),
         MyMax=max(v)),
   by=.(x)]
   x MySum MyMin MyMax
1: a     6     1     3
2: b    15     4     6
3: c    24     7     9