data.table - selezionare prima n righe nel gruppo

Question

Per quanto semplice, non conosco una soluzione data.table per selezionare le prime n righe in gruppi in una tabella di dati. Puoi aiutarmi per favore?

Answer 1

In alternativa:

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

Quando si guarda a velocità sull'esempio set di dati, il metodo head è alla pari con il .I method of @eddi. Paragonando al pacchetto 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") 

risultati in:

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 

Tuttavia, data.table è specificamente progettato per grandi insiemi di dati. Così, in esecuzione di nuovo questo confronto:

# 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") 

risultati in:

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 

Ora il metodo .I è chiaramente il più veloce.

---

Aggiornamento 2016/02/12:

con la più recente versione di sviluppo del pacchetto data.table, il metodo .I vince ancora. Il fatto che il metodo .SD o il metodo head() sia più veloce sembra dipendere dalla dimensione del set di dati. Ora il punto di riferimento dà:

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 

Tuttavia, con un set di dati un po 'più piccola (ma ancora abbastanza grande), le probabilità cambiano:

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

il punto di riferimento è ora leggermente a favore del metodo head sopra la .SD metodo:

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

Possiamo usare 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