r data.table：关于'by'的两个问题（（1）=.I和（2）='order by'）答案

【问题标题】：r data.table: two questions about 'by' ((1)=.I and (2)='order by')r data.table：关于'by'的两个问题（（1）=.I和（2）='order by'）
【发布时间】：2015-07-02 14:29:49
【问题描述】：

我对包 data.table 中的“by”有两个问题。

1) 如何将.I 与它一起使用？例如，假设我们有用户在一天中的某些时间进入商店，我想要一个变量告诉我“我们看到这个用户的时间是多少？”......即

> library(data.table)
> dt = data.table(visitorId = c(1,2,1,2,1), daytime=c(1,4,7,9,11))
> dt
       visitorId daytime
1:         1        1
2:         2        4
3:         1        7
4:         2        9
5:         1       11

所需的解决方案会产生

       visitorId daytime  howOftenHaveYouBeenHere
1:         1        1              1
2:         2        4              1
3:         1        7              2
4:         2        9              2
5:         1       11              3

现在我玩了 data.table 的 .I 并没有给我想要的东西：我（:-) 抱歉，无法抗拒）期望工作的是 dt = dt[, howOftenHaveYouBeenHere := .I, by=visitorId] 但这给了

       visitorId daytime  howOftenHaveYouBeenHere
1:         1        1              1
2:         2        4              1
3:         1        7              2
4:         2        9              2
5:         1       11              1 <---- not a 3 here!!!

我让它工作了

dt = dt[, stupid := 1]
dt = dt[, session := cumsum(stupid), by=visitorId]; print(dt)

但是这样做感觉不太好……

2) 如何确保 data.table 按“时间”计算会话数，即直到现在我都这样做了

a) 相应地对表格进行排序

b) 执行'by'语句

这是正确的方式还是可以在某处“偷运”SQL 的“ORDER BY”？

例如：如果我们从上面反转数据表 dt = data.table(visitorId = c(1,2,1,2,1), daytime=c(11,9,7,4,1)) 那么

dt = dt[, stupid := 1]
dt = dt[, session := cumsum(stupid), by=visitorId]; print(dt)

没有给出想要的结果。我们可以这样修复它：

dt = data.table(visitorId = c(1,2,2,1,1), dayTime=c(11,9,4,7,1))
dt = dt[order(dayTime, decreasing=FALSE)]
dt = dt[, stupid := 1]
dt = dt[, howOftenHaveYouBeenHere := cumsum(stupid), by=visitorId]

但是有没有“正确”的方法呢？ IE。执行副语句时是否保证订单保持不变？

谢谢:-)

【问题讨论】：

抱歉，在玩您的解决方案时感到困惑并陷入困境 :-) 现在清楚了吗？
是的，有道理。谢谢

标签： r data.table

【解决方案1】：

.I 是整个表中的计数器——不是按组。我们需要构建一个组内计数器：

dt[, seqobs := seq_along(.I), by=visitorId]
# or...
dt[, seqobs := seq_len(.N), by=visitorId]
# or...
dt[, seqobs := 1:.N, by=visitorId]

#    visitorId daytime seqobs
# 1:         1       1      1
# 2:         2       4      1
# 3:         1       7      2
# 4:         2       9      2
# 5:         1      11      3

这比初始化一列并获取累积和要容易。

需要在每个组中按daytime 对数据进行排序，这样才有意义。如果不是……

# example of an out-of-order table
dt2 <- dt[sample(.N)]

dt2[order(daytime), seqobs := seq(.N), by=visitorId]

顺便说一句，如果你想改变一个data.table的顺序，使用setorder函数。

（在 data.table 包的下一个版本，1.9.8 中，会有一个小快捷方式dt[, seqobs := rowidv(visitorId)]。我正在做这个记录，以便稍后更新答案。）

【讨论】：