Filtrering av rader i en data.table

Datamanipulering med data.table i R

Matt Dowle and Arun Srinivasan

Instructors, DataCamp

Generell form för data.table-syntax

Det första argumentet i används för att välja ut eller filtrera rader

# Generell form för data.table-syntax
DT[i, j, by]
   |  |  |
   |  |  --> gruppera efter vad?
   |  -----> vad ska göras?
   --------> på vilka rader?

Radnummer

# 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)]

Specialsymbol .N

.N är ett heltalsvärde som innehåller antalet rader i data.table
Praktiskt alternativ till nrow(x) i i

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)

Logiska uttryck (I)

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

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

Logiska uttryck (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]

Logiska uttryck (III)

Optimeras automatiskt med sekundära index för snabbare körning

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

NULL

# 0.207s on first run 
#(time to create index + subset)
system.time(dt[x == 900])

user  system elapsed 
0.207   0.015   0.226

indices(dt)

"x"

# 0.002s on subsequent runs
#(instant subset using index)
system.time(dt[x == 900])

user  system elapsed 
0.002   0.000   0.002

Nu kör vi en övning!

Datamanipulering med data.table i R