R语言data.table速查手册
介绍
R中的data.table包提供了一个data.frame的高级版本，让你的程序做数据整型的运算速度大大的增加。data.table已经在金融，基因工程学等领域大放光彩。他尤其适合那些需要处理大型数据集（比如 1GB 到100GB）需要在内存中处理数据的人。不过这个包的一些符号并不是很容易掌握，因为这些操作方式在R中比较少见。这也是这篇文章的目的，为了给大家提供一个速查的手册。
data.table的通用格式: DT[i, j, by]，对于数据集DT，选取子集行i,通过by分组计算j
1.生成一个data.table对象
生成一个data.table对象，记为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.通过i来筛选数据集的行
通过数字来筛选数据集的行
选取第三行到第五行
> 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基于使用快速自动索引条件，使用列名选择行i
在V2这一列，选择所有值为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选择多个值:
选择在这一列中包含value1或value2的所有值
> DT[column %in% c("value1","value2")]选择V2这列中包含值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 123.通过j来操作列
通过j来选择一列
> DT[,V2]
[1]"A" "A" "A" "A" "B" "B" "B" "B" "C" "C" "C" "C"注意到V2这一列是以向量的形式返回的
通过j来选择多列
> 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 -0.7460V2与V3这两列以data.table的形式返回
.()为list()的一个别名。如果使用.(),返回的为一个data.table对象。如果不使用.()，结果为返回一个向量。
在j上调用函数
> DT[,sum(V1)]
[1] 18以向量的形式返回V1列中所有元素的总和
在多列上进行计算
以data.table的形式，返回V1这列的所有元素之和与V3这列的标准差
> DT[,.(sum(V1),sd(V3))]
V1 V2
1: 18 0.4546055指定计算列的列名
类似上例，但有一个新的列名
> DT[,.(Aggregate = sum(V1), Sd.V3 = sd(V3))]
Aggregate Sd.V3 1: 18 0.4546055若列的长度不一，则会循环对齐
选择V1这一列，并计算V3这列的标准差，将会得到一个标准差的值并循环补齐
> 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多个表达式可以包裹在花括号中
输出V2这一列并绘制V3这一列
> DT[,{print(V2)
plot(V3)
NULL}]
[1] "A" "A" "A" "A" "B" "B" "B" "B" "C" "C" "C" "C" #And a plot NULL4.根据分组来操作j
根据分组来操作j
对V1中的每一类来计算V4列的和
> DT[,.(V4.Sum = sum(V4)),by=V1]
V1 V4.Sum
1: 1 36
2: 2 42
通过使用.()控制多个列来操作j
与上例类似，但每一个分组包含V1和V2两列
> 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中调用函数
以sign(V1-1)为分组，计算各个分组中V4列的和:
> DT[,.(V4.Sum = sum(V4)),by=sign(V1-1)]
sign V4.Sum
1: 0 36
2: 1 42
通过指定i行子集的分组进行操作
在前5行数据集中，通过V1列的分组来计算V4列的总和:
> DT[1:5,.(V4.Sum = sum(V4)),by=V1]
V1 V4.Sum
1: 1 8 2: 2 16
使用函数.N来得到每个类别的总观测数
在V1列中计算每个分组的观测数
> DT[,.N,by=V1]
V1 N
1: 1 6
2: 2 6
5.使用:=引用来添加或更新一列
在一行中使用:=引用来添加或更新列.
注意: 额外的指定 (DT <- DT[…])是多余的
使用:=来更新V1列:
> DT[, V1 := round(exp(V1),2)]这段代码没有显式的返回结果，而V1列从[1] 1 2 1 2 … 变成了 [1] 2.72 7.39 2.72 7.39 …
使用:=引用来添加或更新多列
使用:=更新V1列和V2列：
> DT[, c("V1","V2") := list(round(exp(V1),2), LETTERS[4:6])]同样没有显式的返回结果，V1列的结果与上相同，V2列从[1] “A” “B” “C” “A” “B” “C” … 变成: [1] “D” “E” “F” “D” “E” “F” …
使用函数:=
上例的另一种写法,但会在书写时更易并齐。而且,当添加[]时，结果会返回在屏幕中
> DT[, ':=' (V1 =round(exp(V1),2),V2 = LETTERS[4:6])][]与上例变化相同,但是由于在语句最后添加了[]，这一结果会返回至屏幕
通过使用:=来移除一列
移除V1列
> DT[, V1 := NULL]无显式的返回结果，但V1列变为NULL
通过使用:=来移除多列
移除V1列与V2列
> DT[, c("V1","V2") := NULL]
无显式的返回结果，但V1列与V2列变为NULL
将一个包含列名的变量用小括号包裹起来，变量所传递的内容将会被删除
注意：列名为Cols.chosen的列将会被删除，这里不是删除”V1”,”V2”列
> Cols.chosen = c("V1","V2")
> DT[, Cols.chosen := NULL]
无显式的返回结果，列名为Cols.chosen的列将会被删除
删除指定变量Cols.chosen包含的V1列和V2列
> DT[, (Cols.chosen) := NULL]无显式的返回结果，列名为V1和V2的列变为NULL##索引与键值
使用setkey()函数设置键值
setkey()函数可以在数据集DT上设置键值。当我们设置好key后，data.table会将数据按照key来排序。
在V2列上设置一个键值
> setkey(DT,V2)
无显示返回结果
使用键值来选择行
使用键值可以更加有效地选择行
由于已将V2设置了键值，将会返回该列中所有包含变量值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返回键值所在列(V2列)包含变量值A或变量值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 12mult参数
mult参数是用来控制i匹配到的哪一行的返回结果默认情况下会返回该分组的所有元素
返回匹配到键值所在列(V2列)所有行中的第一行
> DT["A", mult ="first"]
V1 V2 V3 V4
1: 1 A -1.1727 1返回匹配到键值所在列(V2列)所有行中的最后一行
> DT["A", mult = "last"]
V1 V2 V3 V4
1: 2 A -0.3825 10nomatch参数
nomatch参数用于控制，当在i中没有到匹配数据的返回结果，默认为NA，也能设定为0。0意味着对于没有匹配到的行将不会返回。
返回匹配到键值所在列(V2列)所有包含变量值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变量值A匹配到了，而变量值D没有，故返回NA。
返回匹配到键值所在列(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因为nomatch参数，值D没有匹配到故不返回。
by=.EACHI参数
by=.EACHI允许按每一个已知i的子集分组，在使用by=.EACHI时需要设置键值
返回键值(V2列)中包含A或C的所有行中，V4列的总和。
> DT[c("A","C"),
sum(V4)]
[1] 52返回键值所在列(V2列)中包含A的行在V4列总和与包含C的行在V4列的总和。
> DT[c("A","C"),
sum(V4), by=.EACHI]
V2 V1
1: A 22
2: C 30
使用setkey()设置一个多列主键
任意列都能使用setkey()来设置主键，这种方式可以选择2个列作为一个主键。以下是一个等值连接V1列的每个组先根据V1排序，再根据V2排序。
> setkey(DT,V1,V2)
无显式返回结果
选择键值1(V1列)为2且键值2(V2列)为C的行。
> DT[.(2,"C")]
V1 V2 V3 V4
1: 2 C -0.3825 6 2: 2 C 0.6651 12选择键值1(V1列)为2且键值2(V2列)为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 126.data.table高级操作
.N
.N可以用来表示行的数量或者最后一行
在i处使用：
> DT[.N-1]
V1 V2 V3 V4 1: 1 B -0.5765 11返回每一列的倒数第二行
在j处使用：
> DT[,.N-1]
[1] 11返回倒数第二行所在的行数。
.()
.()是list()的一个别名，他们在data.table中是等价的。当只有一个元素的位置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为分组，对V3求均值
.SD参数
.SD是一个data.table，他包含了各个分组，除了by中的变量的所有元素。.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为分组，选择每组的第一和最后一列：
> 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为分组，计算.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常于.SD用在一起，他可以指定.SD中所包含的列，也就是对.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也可以是一个函数的返回值：
> 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
结果与上一个是相同的。
7.串联操作可以把表达式聚合在一起并避免多余的中间变量
把多个操作串联起来，这等价于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这个是不使用串联的方法，先以V1为分组，对V4求和，然后再把分组总和大于35的取出来。
使用串联的方法：
> DT[, .(V4.Sum = sum(V4)),by=V1][V4.Sum > 35 ] V1 V4.Sum 1: 1 36 2: 2 42分组求和之后对V1进行排序：
> DT[, .(V4.Sum = sum(V4)),by=V1][order(-V1)]
V1 V4.Sum 1: 2 42 2: 1 368.使用set()家族
set()
set()通常用来更新给定的行和列的值，要注意的是，他不能跟by结合使用。
> 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
以上程序把给定的一组行和列都设置为了NA
setname()
与set()同理，setname()可以修改给定的列名和行名，以下程序是
#把名字为"old"的列，设置为"new"
> setnames(DT,"old","new") #把"V2","V3"列，设置为"V2.rating","V3.DataCamp" > setnames(DT,c("V2","V3"),c("V2.rating","V3.DataCamp"))
setcolorder()
setcolorder()可以用来修改列的顺序。
setcolorder(DT,c("V2","V1","V4","V3"))这段代码会使得列的顺序变成：
[1] "V2" "V1" "V4" "V3"
栗子?：
首先介绍下data.table的语法，如下所示：
在data.table包中，我们可以使用:=引用来添加或更新列
内置的 order() 函数 * 我们可以对一个字符型的列，使用减号“-”，来实现降序排列。
当我们用list()的时候，返回的是data.table，不用list()时，返回的是向量。一般建议加上list()，除非你就是想要得到向量格式的数据。
# select取子集方法之subset(x, subset, select)
注：subset特指对列的选择，select特指对行的选择, with = FALSE 来引用列名
select列
* 既然列可以作为变量被引用，我们可以直接引用我们想选取的列。
* 既然我们想选取所有的行，则可毋需指定参数 i。
* 返回了所有行的 arr_delay 列。
特殊的语法
.SD: data.table提供一个特殊的语法，形式是 .SD。它是 Subset of Data 的缩写。
它自身就是一个data.table，包含通过by 分组后的每一组。 回忆一下，一个data.table本质上是一个list，它们的列包含的元素个数都相同（其实就是行数）。
说明：
* .SD 包含除了分组依据的那一列以外的所有列。
* 返回值依旧保持了原数据的顺序。首先打印出来的是 ID=“b” 的数据，然后是 ID=“a” 的，最后是 ID=“c” 的。
为了对复数的列进行计算，我们可以简单地使用函数 lapply()。
说明：
* .SD 分别包含了ID是 a、b、c的所有行，它们分别对应了各自的组。我们应用函数 lapply() 对每列计算平均值。
* 每一组返回包含三个平均数的list，这些构成了最终返回的data.table。
* 既然函数 lapply() 返回 list，我们就不需要在外面多加 .() 了。－如何指定希望计算平均值的列
.SDcols
使用参数 .SDcols。它接受列名或者列索引。比如，.SDcols = c("arr_delay", "dep_delay")能确保.SD之包含 arr_delay 和 dep_delay 这两列。 和 with = FALSE 一样，我们也可以使用 - 或者 ! 来移除列。比如，我们指定 !(colA:colB) 或者 -(colA:colB)表示移除从 colA 到 colB 的所有列。 
总结
data.table的语法形式是：
DT[i, j, by]
指定参数i：
* 类似于data.frame，我们可以subset行，除非不需要重复地使用 DT$，既然我们能将列当做变量来引用。
* 我们可以使用order()排序。为了得到更快速的效果，order()函数内部使用了data.table的快速排序。
我们可以通过参数i做更多的事，得到更快速的选取和连结。我们可以在教程“Keys and fast binary search based subsets”和“Joins and rolling joins”中学到这些。 指定参数j：
* 以data.table的形式选取列：DT[, .(colA, colB)]。
* 以data.frame的形式选取列：DT[, c("colA", "colB"), with=FALSE]。 * 按列进行计算：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)]。 指定参数by：* 通过by，我们可以指定列，或者列名，甚至表达式，进行分组。参数j可以很灵活地配置参数i和by实现强大的功能。
* by可以指定多个列，也可以指定表达式。 * 我们可以用 keyby，对分组的结果自动排序。 * 我们可以在参数j中指定 .SD 和 .SDcols，对复数的列进行操作。例如： 1.把函数fun 应用到所有 .SDcols指定的列上，同时对参数by指定的列进行分组：DT[, lapply(.SD, fun), by=., .SDcols=...]。 2.返回每组册前两行：DT[, head(.SD, 2), by=.]。 3.三个参数联合使用：DT[col > val, head(.SD, 1), by=.]
原文来自DataCamp课程的data.table官方速查表
原文链接：The data.table R package cheat sheet
http://youngspring1.github.io/post/2016/2016-03-13-datatable1/