Integrera joins i ditt data.table-arbetsflöde

Att sammanfoga data med data.table i R

Scott Ritchie

Postdoctoral Researcher in Systems Genomics

Kedja data.table-uttryck

data.table-uttryck kan kedjas i sekvens:

demographics[...][...]

Generell form för att kedja en join:

DT1[DT2, on][i, j, by]
    |    |   |  |  |
    |    |   |  |   --> gruppera efter vad?
    |    |   |   -----> vad ska göras?
    |    |    --------> på vilka rader?
    |     ------------> join-nyckelkolumner
     -----------------> join till vilken data.table?

Join och beräkna

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

Join och beräkna

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

Join och beräkna

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

Beräkning med joins

Beräkning med joins:

DT1[DT2, on, j]
    |    |   | 
    |    |    ----> vad ska göras med join-resultatet?
    |     --------> vilka kolumner används som nycklar? 
     -------------> join till vilken data.table?

Effektivt för stora data.tables!

Join och kolumnskapande

Kolumnskapande sker i huvud-data.table:

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

Gruppera efter matchningar

by = .EACHI grupperar j per rad från DT2

DT1[DT2, on, j, by = .EACHI]
    |    |   |  |
    |    |   |   --> grupperas per matchning i DT1.
    |    |    -----> vad ska göras med join-resultatet?
    |     ---------> vilka kolumner används som nycklar? 
     --------------> join till vilken data.table?

Gruppera efter matchningar

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

Gruppera på kolumner med joins

Gruppering på kolumner i by begränsar beräkningen till huvud-data.table:

DT1[DT2, on, j, by]
    |    |   |  |
    |    |   |   --> grupperas efter vilka kolumner i DT1?
    |    |    -----> vad ska göras med kolumner i DT1?
    |     ---------> vilka kolumner används som nycklar? 
     --------------> join till vilken data.table?

Gruppera på kolumner med joins

Join och beräkna per grupp i customers:

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

   gender  avg_age
1:      M 46.66667
2:      F 39.00000

Nu kör vi en övning!

Att sammanfoga data med data.table i R