data.tableの行フィルタリング

R の data.table によるデータ操作

Matt Dowle and Arun Srinivasan

Instructors, DataCamp

data.tableの基本構文

第1引数 i は行のサブセットまたはフィルタリングに使用

# General form of data.table syntax
DT[i, j, by]
   |  |  |
   |  |  --> grouped by what?
   |  -----> what to do?
   --------> on which rows?

行番号

# Subset 3rd and 4th rows from batrips
batrips[3:4]

# Same as
batrips[3:4, ]

# Subset everything except first five rows
batrips[-(1:5)] 

# Same as
batrips[!(1:5)]

特殊シンボル .N

.N はdata.tableの行数を保持する整数値
i 内で nrow(x) の代わりに使用可能

nrow(batrips)

batrips[326339]

trip_id duration
588914      364

# Returns the last row
batrips[.N]

trip_id duration
588914      364

# Return all but the last 10 rows
ans <- batrips[1:(.N-10)] 
nrow(ans)

論理式（I）

# Subset rows where subscription_type is "Subscriber"
batrips[subscription_type == "Subscriber"]

# If batrips was only a data frame
batrips[batrips$subscription_type == "Subscriber", ]

論理式（II）

# Subset rows where start_terminal = 58 and end_terminal is not 65
batrips[start_terminal == 58 & end_terminal != 65]

# If batrips was only a data frame
batrips[batrips$start_terminal == 58 & batrips$end_terminal != 65]

論理式（III）

セカンダリインデックスを自動的に使用して高速化

set.seed(1)
dt <- data.table(x = sample(10000, 10e6, TRUE), 
                 y = sample(letters, 1e6, TRUE))
indices(dt)

NULL

# 初回実行：0.207秒
#（インデックス作成＋サブセット）
system.time(dt[x == 900])

user  system elapsed 
0.207   0.015   0.226

indices(dt)

"x"

# 2回目以降：0.002秒
#（インデックスで即時サブセット）
system.time(dt[x == 900])

user  system elapsed 
0.002   0.000   0.002

練習しましょう！

R の data.table によるデータ操作