R之data.table 介绍

首先介绍下data.table的语法，如下所示：

内置的 order() 函数 * 我们可以对一个字符型的列，使用减号“-”，来实现降序排列。

# select取子集方法之subset(x, subset, select) 
注：subset特指对列的选择，select特指对行的选择, with = FALSE 来引用列名

select列

* 既然列可以作为变量被引用，我们可以直接引用我们想选取的列。

* 既然我们想选取所有的行，则可毋需指定参数 i。

* 返回了所有行的 arr_delay 列。

特殊的语法

.SD: data.table提供一个特殊的语法，形式是 .SD。它是 Subset of Data 的缩写。

它自身就是一个data.table，包含通过by 分组后的每一组。 回忆一下，一个data.table本质上是一个list，它们的列包含的元素个数都相同（其实就是行数）。

说明：

* .SD 包含除了分组依据的那一列以外的所有列。
* 返回值依旧保持了原数据的顺序。首先打印出来的是 ID=“b” 的数据，然后是 ID=“a” 的，最后是  ID=“c” 的。

为了对复数的列进行计算，我们可以简单地使用函数 lapply()。

说明：

* .SD 分别包含了ID是 a、b、c的所有行，它们分别对应了各自的组。我们应用函数 lapply() 对每列计算平均值。
* 每一组返回包含三个平均数的list，这些构成了最终返回的data.table。
* 既然函数 lapply() 返回 list，我们就不需要在外面多加 .() 了。

－如何指定希望计算平均值的列

.SDcols
使用参数 .SDcols。它接受列名或者列索引。比如，.SDcols = c("arr_delay", "dep_delay")能确保.SD之包含 arr_delay 和 dep_delay 这两列。
和 with = FALSE 一样，我们也可以使用 - 或者 ! 来移除列。比如，我们指定 !(colA:colB) 或者 -(colA:colB)表示移除从 colA 到 colB 的所有列。

总结

data.table的语法形式是：

DT[i, j, by]

指定参数i：

* 类似于data.frame，我们可以subset行，除非不需要重复地使用 DT$，既然我们能将列当做变量来引用。
* 我们可以使用order()排序。为了得到更快速的效果，order()函数内部使用了data.table的快速排序。
我们可以通过参数i做更多的事，得到更快速的选取和连结。我们可以在教程“Keys and fast binary search based subsets”和“Joins and rolling joins”中学到这些。

指定参数j：

* 以data.table的形式选取列：DT[, .(colA, colB)]。
* 以data.frame的形式选取列：DT[, c("colA", "colB"), with=FALSE]。
* 按列进行计算：DT[, .(sum(colA), mean(colB))]。
* 如果需要：DT[, .(sA =sum(colA), mB = mean(colB))]。
* 和i共同使用：DT[colA > value, sum(colB)]。

指定参数by：

* 通过by，我们可以指定列，或者列名，甚至表达式，进行分组。参数j可以很灵活地配置参数i和by实现强大的功能。
* by可以指定多个列，也可以指定表达式。
* 我们可以用 keyby，对分组的结果自动排序。
* 我们可以在参数j中指定 .SD 和 .SDcols，对复数的列进行操作。例如：
  1.把函数fun 应用到所有 .SDcols指定的列上，同时对参数by指定的列进行分组：DT[, lapply(.SD, fun), by=., .SDcols=...]。
  2.返回每组册前两行：DT[, head(.SD, 2), by=.]。
  3.三个参数联合使用：DT[col > val, head(.SD, 1), by=.]

小提示：
只要j返回一个list，这个list的每个元素都会是结果data.table的一列。