data.table中的i参数（评估为逻辑表达式的表达式）

Question

我有以下内容：

test <- data.table(id=1:11, t=c(rep(1:2,5), 3))
test[length(unique(id))>1,list(id, t), by=t]

    id t
 1:  1 1
 2:  2 2
 3:  3 1
 4:  4 2
 5:  5 1
 6:  6 2
 7:  7 1
 8:  8 2
 9:  9 1
10: 10 2
11: 11 3

我希望将这个查询按t分组，对每组运行j语句，并返回i为真（即有多个唯一的id）的行。但实际返回的结果是：

> test
     id t
 1:  1 1
 2:  2 2
 3:  3 1
 4:  4 2
 5:  5 1
 6:  6 2
 7:  7 1
 8:  8 2
 9:  9 1
10: 10 2  
11: 11 3

看起来by只适用于j，而不是i。有什么建议吗？

- Alex

Answer 1

无论对错，i先运行，然后j在所有通过 i 的行上依次运行。

常见的习语类似于以下内容（类似于SQL中的HAVING）：

test[,list(id, u=length(unique(id))), by=t][u>1]

并且从结果中排除u（每个组内唯一ID的数量）：

test[,list(id, u=length(unique(id))), by=t][u>1][,u:=NULL]

顺便提一下，在 (比如上面行中的 u>1) 聚合结果上在 i 中进行矢量扫描要比在（较大的）原始数据上进行矢量扫描更有效率。

如果在整个数据集上运行 j，然后在结果上运行 i（正如您所期望的那样），那么这会对效率造成问题。考虑如果它按这种方式工作。 那么首先进行过滤，然后在结果上进行分组需要被拆分为两个 [ 调用： DT[i][,j,by]。然后 i 不会看到 j （在 [.data.table 内），也不知道它需要哪些列。将其组合成一个 DT[i,j,by] 允许 i 在评估之前检查 j 并仅对 j 需要的列进行子集筛选。这对于在查询中使用少量列的大型数据集非常有用。

---

要了解发生了什么，请将您的 i 更改为 j：

test[,length(unique(id))>1]  
# [1] TRUE

然后单个 TRUE 被回收了。 DT[TRUE] == DT。你总是可以通过像这样将它变成 j 来测试 i。

- Matt Dowle