根据每个组的行索引，对数据表进行子集筛选

Question

这似乎是一个我无法找到解决方案的琐碎问题：

考虑这两个数据表：

library(data.table)
dt <- data.table(id = c(1,1,1,2,2,2),
                 val = c(10,20,30,10,20,30))

dt1 <- data.table(id = c(1,2),
                  V1 = c(2,1))

如何对dt进行子集操作，其中dt1告诉我需要对分组后的id的第几行(V1)进行子集操作？

例如，在这个例子中，结果将会是：

#    id val
# 1:  1  20
# 2:  2  10

---

更新

对提议的解决方案进行了快速基准测试。

library(data.table)
s <- 100000
set.seed(123)
dt <- data.table(id = rep(seq(1:s), each=10),
                 val = rnorm(n = s*10, 0, 1))

dt1 <- data.table(id = seq(1:s),
                  V1 = sample(1:10, s, replace=T))


library(microbenchmark)

microbenchmark(

  akrun = { dt[dt1, on='id'][, .SD[1:.N==V1] ,id] },

  david = { dt[dt1, val[i.V1], on = 'id', by = .EACHI] },

  symbolix = { dt[, id_seq := seq(1:.N), by=id][dt1, on=c(id_seq = "V1", "id") , nomatch=0] },

   times = 5

 )
#Unit: milliseconds
#     expr         min          lq        mean      median          uq         max neval
#    akrun 17809.51370 17887.89037 18005.32357 18043.80279 18130.78978 18154.62118     5
#    david    48.17367    53.76436    53.79004    54.69096    55.59657    56.72467     5
 #symbolix   507.67312   511.23492   562.59743   571.31160   579.61228   643.15525     5

- SymbolixAU

Answer 1

另一种选择是在连接时使用by = .EACHI来对val进行子集操作。

dt[dt1, val[i.V1], on = 'id', by = .EACHI]
#    id V1
# 1:  1 20
# 2:  2 10

如果有更多的列，您可以使用.SD[i.V1]代替。

---

顺便说一句，在data.table v >= 1.9.8中，.SD[val]操作将被完全优化为使用GForce，所以请耐心等待。

- David Arenburg

---

.SD在1.9.7中已经优化了吗？我有点困惑。 - talat

@docendodiscimus 这个优化是针对显式使用正整数的情况进行的，例如 .SD[2L]，但如果像 val <- 2L; .SD[val] 这样将其作为变量传递，则不会进行优化。这个问题应该在 v1.9.8 中得到解决（希望如此）。 - David Arenburg

非常好。我一直在苦苦寻找一个.EACHI的解决方案，所以很高兴看到这个！ - SymbolixAU

Answer 2

一种选择是按'id'进行join on，然后进行子集操作。

dt[dt1, on='id'][, .SD[1:.N==V1] ,id][,V1:=NULL][]
#   id val
#1:  1  20
#2:  2  10

- akrun

---

在类似的主题上，也许可以使用 dt[, id_seq := seq(1:.N), by=id][dt1, on=c(id_seq = "V1", "id"), nomatch=0]（避免 .SD 分配）？ - SymbolixAU