data.tableワークフローへのジョインの組み込み

R で学ぶ data.table によるデータ結合

Scott Ritchie

Postdoctoral Researcher in Systems Genomics

data.table式のチェーン

data.tableの式は順番にチェーンできます：

demographics[...][...]

ジョインのチェーンの一般形：

DT1[DT2, on][i, j, by]
    |    |   |  |  |
    |    |   |  |   --> 何でグループ化するか？
    |    |   |   -----> 何をするか？
    |    |    --------> どの行に対して？
    |     ------------> ジョインキー列
     -----------------> どのdata.tableにジョインするか？

ジョインして集計

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

ジョインして集計

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

ジョインして集計

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

ジョインを使った計算

ジョインを使った計算：

DT1[DT2, on, j]
    |    |   | 
    |    |    ----> ジョイン結果に対して何をするか？
    |     --------> どの列をキーとして使うか？
     -------------> どのdata.tableにジョインするか？

大規模なdata.tableに対して効率的です！

ジョインと列の作成

列の作成はメインのdata.tableで行われます：

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

マッチによるグループ化

by = .EACHIはDT2の各行ごとにjをグループ化します

DT1[DT2, on, j, by = .EACHI]
    |    |   |  |
    |    |   |   --> DT1の各マッチでグループ化。
    |    |    -----> ジョイン結果に対して何をするか？
    |     ---------> どの列をキーとして使うか？
     --------------> どのdata.tableにジョインするか？

マッチによるグループ化

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

ジョインでの列グループ化

byの列によるグループ化は、計算をメインのdata.tableに限定します：

DT1[DT2, on, j, by]
    |    |   |  |
    |    |   |   --> DT1のどの列でグループ化するか？
    |    |    -----> DT1の列に対して何をするか？
    |     ---------> どの列をキーとして使うか？
     --------------> どのdata.tableにジョインするか？

ジョインでの列グループ化

customersでジョインしてグループ別に集計：

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

   gender  avg_age
1:      M 46.66667
2:      F 39.00000

練習しましょう！

R で学ぶ data.table によるデータ結合