如何在 R 中使用 data.table 进行基本的左外连接？答案

【问题标题】：How to do a basic left outer join with data.table in R?如何在 R 中使用 data.table 进行基本的左外连接？
【发布时间】：2011-10-28 18:29:35
【问题描述】：

我有一个 a 和 b 的 data.table，我已将其划分为 below，b above，b > .5：

DT = data.table(a=as.integer(c(1,1,2,2,3,3)), b=c(0,0,0,1,1,1))
above = DT[DT$b > .5]
below = DT[DT$b < .5, list(a=a)]

我想在above 和below 之间进行左外连接：对于above 中的每个a，计算below 中的行数。这相当于 SQL 中的以下内容：

with dt as (select 1 as a, 0 as b union select 1, 0 union select 2, 0 union select 2, 1 union select 3, 1 union select 3, 1),
  above as (select a, b from dt where b > .5),
  below as (select a, b from dt where b < .5)
select above.a, count(below.a) from above left outer join below on (above.a = below.a) group by above.a;
 a | count 
---+-------
 3 |     0
 2 |     1
(2 rows)

如何使用 data.tables 完成相同的任务？这是我迄今为止尝试过的：

> key(below) = 'a'
> below[above, list(count=length(b))]
     a count
[1,] 2     1
[2,] 3     1
[3,] 3     1
> below[above, list(count=length(b)), by=a]
Error in eval(expr, envir, enclos) : object 'b' not found
> below[, list(count=length(a)), by=a][above]
     a count b
[1,] 2     1 1
[2,] 3    NA 1
[3,] 3    NA 1

我还应该更具体一点，因为我已经尝试过merge，但这会破坏我系统上的内存（并且数据集只占用我大约 20% 的内存）。

【问题讨论】：

你能用人类的语言写下你想要达到的目标吗？
How to join data frames in R (inner, outer, left, right)?的可能重复
您可以先尝试寻找答案。 data.table 是 data.frame 的扩展，具有合并功能。
同意你应该用自然语言解释你想要什么，但另外我在版本 1.6 和（更新后）1.6.4 中都得到一个错误：abs(j) 中的错误：非数字参数到数学函数此外：警告消息：在 is.na(j) 中：is.na() 应用于“NULL”类型的非（列表或向量）
抱歉，来晚了——希望这个问题现在好很多倍。

标签： sql r data.table

【解决方案1】：

看看这是否给你一些有用的东西。您的示例太稀疏，无法让我知道您想要什么，但似乎它可能是 above$a 的值的列表，这些值也在 below$a 中

table(above$a[above$a %in% below$a])

如果您还想要 converse ... 值不在 below 中，那么可以这样做：

table(above$a[!above$a %in% below$a])

您可以将它们连接起来：

> c(table(above$a[above$a %in% below$a]),table(above$a[!above$a %in% below$a]) )
2 3 
1 2

通常table 和%in% 运行在相当小的空间内并且速度很快。

【讨论】：

不过，这并没有给我计数为 0 的 as，这就是我想要左外连接的原因。
是的。 “零计数”是 !x %in% y 索引中的 2 个“3”。如果你想给它们贴上这样的标签，你可以在它们之间插入一个额外的命名值：zeros->=0,

【解决方案2】：

由于您似乎正在使用包data.table：请检查?merge.data.table。我没有使用它，但它似乎可以满足您的需求：

merge(above, below, by="a", all.x=TRUE, all.y=FALSE)

【讨论】：

事实上合并是基本功能，也适用于data.frames。
@mbq: merge.data.table 和merge.data.frame 真的很不一样。
@DWin 好的，但是不需要 data.tables 来获得合并功能。
@mbq。这是正确的......但是如果一个人正在使用 data.table 对象，那么一个人确实需要知道正确的语法来实现自己的目标，并且只能从 ?merge.data.table 而不是 ?merge.data.frame 收集.
在 by 列唯一有效的情况下有效，但在左连接中并非总是如此

【解决方案3】：

我认为这更容易：

setkey(above,a)
setkey(below,a)

左外连接：

above[below, .N]

常规加入：

above[below, .N, nomatch=0]

带计数的完全外连接：

merge(above,below, all=T)[,.N, by=a]

【讨论】：

不会因为.Nabove[below, .N] 只返回总行数吗？

【解决方案4】：

我最终找到了一种使用 data.table 的方法，我觉得这比 DWin 的 table 更自然，尽管 YMMV：

result = below[, list(count=length(b)), by=a]
key(result) = 'a'
result = result[J(unique(above$a))]
result$count[is.na(result$count)] = 0

不过，我不知道这是否可以更紧凑。我特别希望能够做类似result = below[J(unique(above$a)), list(count=length(b))] 的事情，但这不起作用。

【讨论】：