Subconjunto por grupo con data.table
greatest-n-per-group (1)
Aquí está la forma rápida de datos. data.table
:
bdt[bdt[, .I[g == max(g)], by = id]$V1]
Esto evita construir .SD
, que es el cuello de botella en sus expresiones.
editar: en realidad, la razón principal por la que el OP es lento no es solo porque tiene .SD
en él, sino por el hecho de que lo usa de una manera particular - llamando a [.data.table
, que en este momento tiene una gran sobrecarga , por lo que ejecutarlo en un bucle (cuando uno hace un by
) acumula una penalización muy grande.
Supongamos que tengo una tabla de datos que contiene algunos jugadores de béisbol:
library(plyr)
library(data.table)
bdt <- as.data.table(baseball)
Para cada jugador (dado por id), quiero encontrar la fila correspondiente al año en el que jugaron la mayoría de los juegos. Esto es sencillo en plyr:
ddply(baseball, "id", subset, g == max(g))
¿Cuál es el código equivalente para data.table?
Lo intenté:
setkey(bdt, "id")
bdt[g == max(g)] # only one row
bdt[g == max(g), by = id] # Error: ''by'' or ''keyby'' is supplied but not j
bdt[, .SD[g == max(g)]] # only one row
Esto funciona:
bdt[, .SD[g == max(g)], by = id]
Pero es solo un 30% más rápido que plyr, lo que sugiere que probablemente no sea idiomático.