如何在R中使用data.table进行基本的左外连接？

Question

我有一个数据表格，其中包含列a和列b。我已将其分成两部分：below，其中b < .5，以及above，其中b > .5：

DT = data.table(a=as.integer(c(1,1,2,2,3,3)), b=c(0,0,0,1,1,1))
above = DT[DT$b > .5]
below = DT[DT$b < .5, list(a=a)]

我希望能够在above和below之间进行左外连接：对于above中的每个a，计算below中的行数。这等同于在SQL中执行以下操作：

with dt as (select 1 as a, 0 as b union select 1, 0 union select 2, 0 union select 2, 1 union select 3, 1 union select 3, 1),
  above as (select a, b from dt where b > .5),
  below as (select a, b from dt where b < .5)
select above.a, count(below.a) from above left outer join below on (above.a = below.a) group by above.a;
 a | count 
---+-------
 3 |     0
 2 |     1
(2 rows)

我该如何使用data.tables实现同样的功能？目前我尝试了以下方法：

> key(below) = 'a'
> below[above, list(count=length(b))]
     a count
[1,] 2     1
[2,] 3     1
[3,] 3     1
> below[above, list(count=length(b)), by=a]
Error in eval(expr, envir, enclos) : object 'b' not found
> below[, list(count=length(a)), by=a][above]
     a count b
[1,] 2     1 1
[2,] 3    NA 1
[3,] 3    NA 1

我需要更具体地说明一下，我已经尝试过使用merge，但这会消耗我的系统内存（而且数据集仅占据我的内存约20%）。

- Yang

---

请用通俗易懂的语言描述你想要实现什么？ - mbq

可能是[如何在R中合并数据框（内部，外部，左侧，右侧）？]的重复问题（https://dev59.com/1nM_5IYBdhLWcg3wn0lO） - Joris Meys

你本可以先尝试寻找答案。data.table是data.frame的扩展，并具有合并函数。 - Joris Meys

同意您应该用自然语言解释您想要的内容，但是除此之外，在版本1.6和（更新后的）1.6.4中我都遇到了一个错误：abs(j)中的错误：数学函数的非数字参数。 另外：警告消息： 在is.na(j)中：is.na()应用于类型为“NULL”的非（列表或向量）对象。 - IRTFM

抱歉，问题晚了 - 希望现在问题好了很多倍。 - Yang

Answer 1

既然你正在使用data.table包：请查看?merge.data.table。虽然我没有使用过它，但它似乎可以实现你想要的功能：

merge(above, below, by="a", all.x=TRUE, all.y=FALSE)

- Nick Sabbe

---

事实上，合并是基本函数，也适用于数据框。 - mbq

merge.data.table 和 merge.data.frame 实际上非常不同。 - IRTFM

@DWin 好的，但是尽管如此，我们并不需要使用 data.tables 来获得合并功能。 - mbq

@mbq. 是正确的... 但是如果正在使用 data.table 对象，则需要知道实现目标的正确语法，这只能从 ?merge.data.table 中获取，而不能从 ?merge.data.frame 中获取。 - IRTFM

如果按列是唯一有效的，则可以正常工作，但在左连接中并非总是如此。 - Hack-R

Answer 2

看看这个是否对您有所帮助。您的示例太简略，让我不知道您想要什么，但它似乎可能是above$a的值的制表，这些值也在below$a中。

table(above$a[above$a %in% below$a])

如果您还希望得到与上述相反的结果，即不在below中的值，则可以使用以下代码实现：

table(above$a[!above$a %in% below$a])

而且你可以将它们连接起来：

> c(table(above$a[above$a %in% below$a]),table(above$a[!above$a %in% below$a]) )
2 3 
1 2

通常情况下，table 和 %in% 在运行时占用的空间较小且速度较快。

- IRTFM

---

这个查询并没有返回计数为0的a，这就是我想要左外连接的原因。 - Yang

是的，它确实有作用。"零计数"来自于!x %in% y索引中的2个"3"。如果您想将它们标记为这样，可以在它们之间插入一个额外的命名值：zeros->=0, - IRTFM

Answer 3

我认为这更容易：

setkey(above,a)
setkey(below,a)

左外连接：

above[below, .N]

常规连接：

above[below, .N, nomatch=0]

带计数的全外连接：

merge(above,below, all=T)[,.N, by=a]

- Polgy

---

above[below, .N] 会不会因为 .N 而返回总行数？ - gented

Answer 4

最终我找到了一种使用 data.table 的方法，我觉得这比 DWin 的 table 更符合我的理解方式，尽管可能因人而异：

result = below[, list(count=length(b)), by=a]
key(result) = 'a'
result = result[J(unique(above$a))]
result$count[is.na(result$count)] = 0

我不知道这是否可以更紧凑。我特别想能够做像result = below[J(unique(above$a)), list(count=length(b))]这样的事情，但那行不通。

- Yang