Incorporando joins ao seu fluxo de trabalho com data.table

Combinando dados com data.table em R

Scott Ritchie

Postdoctoral Researcher in Systems Genomics

Encadeando expressões no data.table

Expressões do data.table podem ser encadeadas em sequência:

demographics[...][...]

Forma geral de encadear um join:

DT1[DT2, on][i, j, by]
    |    |   |  |  |
    |    |   |  |   --> agrupar por quê?
    |    |   |   -----> o que fazer?
    |    |    --------> em quais linhas?
    |     ------------> colunas-chave do join
     -----------------> juntar com qual data.table?

Fazer join e depois calcular

customers <- data.table(name   = c("Mark", "Matt", "Angela", "Michelle"), 
                        gender = c("M", "M", "F", "F"), 
                        age    = c(54, 43, 39, 63))
customers

       name gender age
1:     Mark      M  54
2:     Matt      M  43
3:   Angela      F  39
4: Michelle      F  63

Fazer join e depois calcular

purchases <- data.table(name  = c("Mark", "Matt", "Angela", "Michelle"),
                        sales = c(1, 5, 4, 3),
                        spent = c(41.70, 41.78, 50.77, 60.01))
purchases

       name sales spent
1:     Mark     1 41.70
2:     Matt     5 41.78
3:   Angela     4 50.77
4: Michelle     3 60.01

Fazer join e depois calcular

customers[purchases, 
          on = .(name)][sales > 1, 
                        j = .(avg_spent = sum(spent) / sum(sales)), 
                        by = .(gender)]

   gender avg_spent
1:      M  13.91333
2:      F  20.00333

Cálculo com joins

Cálculo com joins:

DT1[DT2, on, j]
    |    |   | 
    |    |    ----> o que fazer no resultado do join?
    |     --------> usando quais colunas como chaves? 
     -------------> juntar com qual data.table?

Eficiente para data.tables grandes!

Join e criação de colunas

A criação de colunas ocorre no data.table principal:

customers[purchases, on = .(name), return_customer := sales > 1]
customers

       name gender age return_customer
1:     Mark      M  54           FALSE
2:     Matt      M  43            TRUE
3:   Angela      F  39            TRUE
4: Michelle      F  63            TRUE

Agrupar por correspondências

by = .EACHI agrupa j por cada linha de DT2

DT1[DT2, on, j, by = .EACHI]
    |    |   |  |
    |    |   |   --> agrupado por cada correspondência em DT1.
    |    |    -----> o que fazer no resultado do join?
    |     ---------> usando quais colunas como chaves? 
     --------------> juntar com qual data.table?

Agrupar por correspondências

shipping[customers, on = .(name), 
         j = .("# of shipping addresses" = .N),
         by = .EACHI]

Agrupar por colunas com joins

Agrupar por colunas em by restringe o cálculo ao data.table principal:

DT1[DT2, on, j, by]
    |    |   |  |
    |    |   |   --> agrupar por quais colunas em DT1?
    |    |    -----> o que fazer nas colunas de DT1?
    |     ---------> usando quais colunas como chaves? 
     --------------> juntar com qual data.table?

Agrupar por colunas com joins

Fazer join e calcular por grupo em customers:

customers[shipping, on = .(name), 
          .(avg_age = mean(age)), by = .(gender)]

   gender  avg_age
1:      M 46.66667
2:      F 39.00000

Vamos praticar!

Combinando dados com data.table em R