data.table包是干什么的

R语言里有data.frame的数据结构。data.table是data.frame的一个扩展，它几乎继承了所有的data.frame特性，我们通常对data.frame作出的操作，对于data.table同样也是有效的。那么data.table存在的价值是什么呢？它是由C语言写的，所以运行速度快，数据存储效率高，像取子集，变量分组，更新变量等操作都要优于data.frame，而且对于大型数据集的支持比较好。所以，如果你还没有学习过data.frame，可以直接越过它直接学习data.table。

实例中学习

创建数据集

创建data.frame

df <- data.frame(x=rnorm(9),y=rep(c('a','b','c'),each=3),z=rnorm(9))

## x y z

创建data.table

library(data.table)dt <- data.table(x=rnorm(9),y=rep(c('a','b','c'),each=3),z=rnorm(9))

## x y z

查看内存下所有的data table的情况

tables()

## NAME NROW NCOL MB COLS KEY

像data.frame一样进行操作

dt[2,] #取第二行，所有列

## x y z

dt[dt$y=="a",] #取dt表中y列取值为"a"的所有行

## x y z

和data.frame的区别

dt[c(2,3)] #data.table中索引没有逗号，默认是按行取，这里取出的是第2，3行

## x y z

df[c(2,3)] #data.frame没有逗号默认是按列取得，这里取出了第2，3列

## y z

取子集操作

1. data.table包用来取子集的函数与R中常用数据类型有些不同。

2. 它采用：逗号+expression 的表达方式。

3. 一个 expression 是指包含在一对花括号里的一系列语句。

例1

设想你想要求出x这一列的均值，z这一列的总和：

dt[,list(mean(x),sum(z))]

## V1 V2

例2

设想你想要对y变量各种值出现的频次做个统计

dt[,table(y)]

## y

例3

设想你想生成新的一列，新列是z那一列的平方

dt[,w:=z^2]

这里用 data.table，而不是用 data.frame 的好处就体现出来了，data.table 是直接在原来的表里添加新的一列，而 data.frame 要重新生成一个表，再把新列加进去，所以当数据集很大时，非常占内存，速度也会下降。

例4

dt2 <- dtdt[,y:=2]

## x y z w

head(dt2,3)

## x y z w

这里，我们把dt赋值给了dt2，然后修改了dt的值，发现dt2的值也被修改了。也就是说dt和dt2在内存中占用的是同一个地方，并没有做到真正的复制。这里我们需要用 copy 函数来进行真正的复制。

dt3 <- copy(dt)dt[,y:=3]

## x y z w

head(dt3,n=3)

## x y z w

例5

多条expression的情形

这里我们创建一个叫做 m 的新列，这个表达式包含两个语句，放在一个花括号里，语句之间用分号隔开，最后的返回值就是新列的值。

dt[,m:={tmp=x+z;log(abs(tmp)+2)}]

## x y z w m

在对数据进行分组时，常常依据一些判断条件，例如下面对 a 的正负性进行分组。

dt[,a:=x>0]

## x y z w m a

分组之后就可以求出不同组的一些特征，例如

dt[,b:=mean(x+w),by=a]

## x y z w m a b

dt[,.N,by=a]

## a N