通过 not head(key(DT),m) 对 data.table 进行子集，使用二进制搜索而不是矢量扫描答案

【问题标题】：Subsetting data.table by not head(key(DT),m), using binary search not vector scan通过 not head(key(DT),m) 对 data.table 进行子集，使用二进制搜索而不是矢量扫描
【发布时间】：2013-04-02 16:54:22
【问题描述】：

如果我将 n 列指定为 data.table 的键，我知道只要我加入 key(DT) 的 head，我就可以加入比该键中定义的更少的列。例如，对于 n=2 ：

X = data.table(A=rep(1:5, each=2), B=rep(1:2, each=5), key=c('A','B'))
X
    A B
 1: 1 1
 2: 1 1
 3: 2 1
 4: 2 1
 5: 3 1
 6: 3 2
 7: 4 2
 8: 4 2
 9: 5 2
10: 5 2

X[J(3)]
   A B
1: 3 1
2: 3 2

那里我只加入了DT 的两列键的第一列。我知道我可以像这样加入键的两列：

X[J(3,1)]
   A B
1: 3 1

但是我如何只使用键的第二列（例如B==2）进行子集化，但仍然使用二进制搜索而不是矢量扫描？我知道这是重复的：

Subsetting data.table by 2nd column only of a 2 column key, using binary search not vector scan

所以我想将这个问题概括为n。我的数据集有大约一百万行，上面链接的 dup 问题中提供的解决方案似乎不是最佳的。

【问题讨论】：

只是X[B==2,]。推荐阅读：cran.r-project.org/web/packages/data.table/vignettes/…
@MatthewPlourde，你确定吗？您引用的小插图有以下句子，使您的解决方案听起来不太理想：“我们使用密钥来利用表已排序的事实，并使用二进制搜索来查找匹配的行。我们没有矢量扫描；我们没有使用 ==。”
我可能已经把它标记为重复了...
@GSee 对我来说似乎是一个骗局。对 dup 的公认答案很好，但我们希望做得更好；例如当set2key 实现时。
@MatthewDowle 该解决方案没有为 OP 的数据提供正确的结果。

标签： r data.table

【解决方案1】：

这是一个简单的函数，它将提取正确的唯一值并返回一个数据表以用作键。

 X <- data.table(A=rep(1:5, each=4), B=rep(1:4, each=5), 
                  C = letters[1:20], key=c('A','B','C'))
 make.key <- function(ddd, what){
  # the names of the key columns
  zzz <- key(ddd)
  # the key columns you wish to keep all unique values
  whichUnique <- setdiff(zzz, names(what))
  ## unique data.table (when keyed); .. means "look up one level"
  ud <-  lapply([, ..whichUnique], unique)
  ## append the `what` columns and  a Cross Join of the new
  ## key columns
  do.call(CJ, c(ud,what)[zzz])
}   

X[make.key(X, what = list(C = c('a','b'))),nomatch=0]
## A B C
## 1: 1 1 a
## 2: 1 1 b

我不确定这会比在大型 data.table 上进行几次矢量扫描更快。

【讨论】：

【解决方案2】：

添加辅助键在功能请求列表中：

FR#1007 Build in secondary keys

与此同时，我们陷入了向量扫描，或者问题中链接的 n=2 案例的答案中使用的方法（@mnel 在他的回答中很好地概括了这一点）。

【讨论】：