如何在data.table R中的子组中排序数据 [英] How to order data within subgroups in data.table R

问题描述

请考虑以下内容：

DT = data.table（a = sample（1：2），b = sample（1：1000） ，20））

如何显示b，并说出 n 的最大值，每个a？

How to display b, say the n highest values, by each a?

我被困在 DT [，b，by = a] [order（a，-b）] 。

谢谢！

推荐答案

最多优雅的是：

DT[order(-b),head(b,5),by=a]

就纯性能而言：

DT[order(-b), indx := seq_len(.N), "a"][indx <= 5][,indx:=NULL][]

或@Frank建议的那个：

Or the one suggested by @Frank:

DT[DT[order(-b),.I[1:.N<=5],"a"]$V1]

低于上述所有三个基准：

Below the benchmark of all three above:

# devtools::install_github("jangorecki/dwtools")
library(dwtools) # to populate complex dataset
N <- 5e6
DT <- dw.populate(N, scenario="fact")
str(DT)
#Classes ‘data.table’ and 'data.frame': 5000000 obs. of  8 variables:
# $ cust_code: chr  "id010" "id076" "id024" "id081" ...
# $ prod_code: int  8234 5689 31198 35479 39140 37589 8184 39489 35266 3596 ...
# $ geog_code: chr  "OH" "NH" "TN" "MI" ...
# $ time_code: Date, format: "2012-03-11" "2014-02-10" "2012-11-05" "2013-01-30" ...
# $ curr_code: chr  "XRP" "HRK" "CAD" "BRL" ...
# $ amount   : num  486 382 695 470 749 ...
# $ value    : num  193454 33694 351418 84888 20673 ...

通过 cust_code 列，uniqueN等于100：

By cust_code column, uniqueN equal to 100:

system.time(DT[order(-time_code),head(.SD,5),"cust_code"])
#   user  system elapsed 
#  1.804   0.084   1.890 
system.time(DT[order(-time_code), indx := seq_len(.N),"cust_code"][indx <= 5][,indx:=NULL][])
#   user  system elapsed 
#  1.414   0.092   1.508 
system.time(DT[DT[order(-time_code),.I[1:.N<=5],"cust_code"]$V1])
#   user  system elapsed 
#  1.405   0.096   1.502 

如果有更多的组（ prod_code 列，uniqueN等于50000 ），那么我们可以看到对性能的影响：

If there are much more groups (prod_code column, uniqueN equal to 50000), then we can see the impact on the performance:

system.time(DT[order(time_code),head(.SD,5),"prod_code"])
#   user  system elapsed 
# 10.177   0.109  10.322
system.time(DT[order(time_code), indx := seq_len(.N),"prod_code"][indx <= 5][,indx:=NULL][])
#   user  system elapsed 
#  1.555   0.099   1.665 
system.time(DT[DT[order(time_code),.I[1:.N<=5],"prod_code"]$V1])
#   user  system elapsed 
#  1.697   0.064   1.764

---

2015年11月9日更新：

使用今天的Arun提交 e615532 head 和 tail 应该在后台进行优化。

With today's Arun commit e615532 the head and tail should be optimized under the hood.

这篇关于如何在data.table R中的子组中排序数据的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！