data.table-selecciona las primeras n filas dentro del grupo

Question

Esta pregunta ya tiene una respuesta aquí:

• ¿Cómo extraer las primeras n filas por grupo? 2 respuestas

Tan simple como es, no conozco una solución data.table para seleccionar las primeras n filas en grupos en una tabla de datos. ¿Puedes ayudarme por favor?

Answer 1

Como alternativa:

dt[, .SD[1:3], cyl]

Cuando observa la velocidad en el conjunto de datos de ejemplo, el método head está a la par con el método .I de @eddi . Comparando con el paquete de microbenchmark :

microbenchmark(head = dt[, head(.SD, 3), cyl],
SD = dt[, .SD[1:3], cyl],
I = dt[dt[, .I[1:3], cyl]$V1],
times = 10, unit = "relative")

resultados en:

Unit: relative
expr min lq mean median uq max neval cld
head 1.000000 1.000000 1.000000 1.000000 1.000000 1.0000000 10 a
SD 2.156562 2.319538 2.306065 2.365190 2.318540 2.1908401 10 b
I 1.001810 1.029511 1.007371 1.018514 1.016583 0.9442973 10 a 

Sin embargo, data.table está específicamente diseñado para grandes conjuntos de datos. Entonces, ejecutando esta comparación nuevamente:

# creating a 30 million dataset
largeDT <- dt[,.SD[sample(.N, 1e7, replace = TRUE)], cyl]
# running the benchmark on the large dataset
microbenchmark(head = largeDT[, head(.SD, 3), cyl],
SD = largeDT[, .SD[1:3], cyl],
I = largeDT[largeDT[, .I[1:3], cyl]$V1],
times = 10, unit = "relative")

resultados en:

Unit: relative
expr min lq mean median uq max neval cld
head 2.279753 2.194702 2.221330 2.177774 2.276986 2.33876 10 b
SD 2.060959 2.187486 2.312009 2.236548 2.568240 2.55462 10 b
I 1.000000 1.000000 1.000000 1.000000 1.000000 1.00000 10 a 

Ahora el método .I es claramente el más rápido.

Actualización 2016-02-12:

Con la versión de desarrollo más reciente del paquete data.table , el método .I aún gana. Si el método .SD o el método head() es más rápido parece depender del tamaño del conjunto de datos. Ahora el punto de referencia da:

Unit: relative
expr min lq mean median uq max neval cld
head 2.093240 3.166974 3.473216 3.771612 4.136458 3.052213 10 b
SD 1.840916 1.939864 2.658159 2.786055 3.112038 3.411113 10 b
I 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 10 a 

Sin embargo, con un conjunto de datos algo más pequeño (pero aún bastante grande), las probabilidades cambian:

largeDT2 <- dt[,.SD[sample(.N, 1e6, replace = TRUE)], cyl]

el punto de referencia ahora está ligeramente a favor del método head sobre el método .SD :

Unit: relative
expr min lq mean median uq max neval cld
head 1.808732 1.917790 2.087754 1.902117 2.340030 2.441812 10 b
SD 1.923151 1.937828 2.150168 2.040428 2.413649 2.436297 10 b
I 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 10 a 

Answer 2

Podemos usar la head con .SD

library(data.table)
dt <- data.table(mtcars)
> dt[, head(.SD, 3), by = "cyl"]
cyl mpg disp hp drat wt qsec vs am gear carb
1: 6 21.0 160.0 110 3.90 2.620 16.46 0 1 4 4
2: 6 21.0 160.0 110 3.90 2.875 17.02 0 1 4 4
3: 6 21.4 258.0 110 3.08 3.215 19.44 1 0 3 1
4: 4 22.8 108.0 93 3.85 2.320 18.61 1 1 4 1
5: 4 24.4 146.7 62 3.69 3.190 20.00 1 0 4 2
6: 4 22.8 140.8 95 3.92 3.150 22.90 1 0 4 2
7: 8 18.7 360.0 175 3.15 3.440 17.02 0 0 3 2
8: 8 14.3 360.0 245 3.21 3.570 15.84 0 0 3 4
9: 8 16.4 275.8 180 3.07 4.070 17.40 0 0 3 3