选择数据表中由其他数据表中的筛选器给出的行

Question

我想选择数据表（DT1）的特定行值（此处为TARGET），其中过滤条件位于其他数据表（DT2）中。它不是一个精确的过滤器，因为如果我在DT2中有值3，我在DT1中就有这个值的最小值和最大值变量。此外，我有一个字符串，其中包含特定的模式。例如：DT2 中的 A = 3 和 DT1 中的相应行包含 minA = 3，maxA = 6 和 C = “Mon”，即 C = “星期一，星期二”。

DT1
    INDEX1 minA maxA       C TARGET
9 :      9    3    6 Mon,Tue    109

DT2
   A   C INDEX2
1: 3 Mon      1

我在寻找这个值所在的范围和最大目标值的直线。

我有以下简化的例子：

# version 1.9.6
library(data.table)

DT1 <- data.table(INDEX1 = 1:12,
                  minA = c(1,1,1,2,2,2,3,3,3,4,4,4),
                  maxA = c(4,5,6),
                  C = c("Mon,Tue", "Mon,Wed", "Tue,Thu", "Wed,Thu"),
                  TARGET = c(101:112))
size <- 2
DT2 <- data.table(A = rep(c(3,4), size),
                  C = rep(c("Mon", "Thu"), size),
                  INDEX2 = 1:(2*size))

看起来像这样:

DT1
   INDEX1 minA maxA       C TARGET
1 :      1    1    4 Mon,Tue    101
2 :      2    1    5 Mon,Wed    102
3 :      3    1    6 Tue,Thu    103
4 :      4    2    4 Wed,Thu    104
5 :      5    2    5 Mon,Tue    105
6 :      6    2    6 Mon,Wed    106
7 :      7    3    4 Tue,Thu    107
8 :      8    3    5 Wed,Thu    108
9 :      9    3    6 Mon,Tue    109
10:     10    4    4 Mon,Wed    110
11:     11    4    5 Tue,Thu    111
12:     12    4    6 Wed,Thu    112

DT2
   A   C INDEX2
1: 3 Mon      1
2: 4 Thu      2

我包括＜code＞大小

到目前为止，我的解决方案如下:

我写了一个函数foo（），它接受过滤器输入值并返回DT1的索引（或其他更有用的变量）。

foo <- function(i.A, i.C){
  DT1[INDEX1 %in% grep(i.C,C) & minA <= i.A & maxA >= i.A,][TARGET == max(TARGET),]
}

我为DT2的每一行调用这个函数

DT2[, foo(i.A = A, i.C = C), by = INDEX2]

与Outout：

   INDEX2 INDEX1 minA maxA       C TARGET
1:      1      9    3    6 Mon,Tue    109
2:      2     12    4    6 Wed,Thu    112

我的问题是：

这适用于小型数据表，但我在DT2中有更多的行。这些功能需要更长的时间，我想知道是否有更好/更快的方法来进行这种过滤？也许可以“升级”foo（），以便它可以处理整个列而不是单行？

如果可能的话，我希望避免像这样扩展我的DT1：

• R：选择数据表中的特定行

我认为，我有一个比这些问题更复杂的过滤器：

< li >如何根据一个数据表中定义的多个条件筛选另一个数据表中的案例 < li>R:根据一个数据表有效地选择另一个数据表中的指定行？

预先感谢任何帮助。

Answer 1

新解决方案

我意识到浏览大data.table的每一行需要很多时间，所以我构建了一个新的函数foo_new，它反过来工作：

foo_new <- function(data, i.A, i.C){
  data[C %in% i.C & A %between% i.A, INDEX2]
}

我没有用DT1行切削DT2的每一行，而是选择DT2中与DT1一行的值匹配的每一行。完成DT2的排序是因为我需要具有最高TARGET值的行。此外，如果已经选择了DT2中的一行，则会在下一次迭代中删除它。

整个过程加快了很多：

   function   user  system elapsed 
   foo      61.511   0.327  62.052
   foo_new   0.045   0.003   0.047 

这可能是唯一的情况，当DT1小于DT2时，这就是我的情况。

这是我的整个模拟代码:

rm(list = ls())
library(data.table)

DT1 <- data.table(INDEX1 = 1:12,
                  minA = c(1,1,1,2,2,2,3,3,3,4,4,4),
                  maxA = c(4,5,6),
                  C = c("Mon,Tue", "Mon,Wed", "Tue,Thu", "Wed,Thu"),
                  TARGET = c(101:112))

size <- 20000
DT2 <- data.table(A = rep(c(3,4), size),
                  C = rep(c("Mon", "Thu"), size),
                  INDEX2 = 1:(2*size))

foo <- function(i.A, i.C){
  DT1[INDEX1 %in% grep(i.C, C) &
        minA <= i.A &
        maxA >= i.A,
      ][TARGET == max(TARGET),]
}

foo_new <- function(data, i.A, i.C){
  data[C %in% i.C & A %between% i.A, INDEX2]
}

# with foo
DT2[, foo(i.A = A, i.C = C), by = INDEX2])

# with foo_new
DT1.ordered <- copy(DT1[order(TARGET, decreasing = TRUE)])
tmp.index <- list()
DT2[, TARGET := as.numeric(NA)]
for (i in c(1:dim(DT1.ordered)[1])) {
  # i <- 1
  restdata <- copy(DT2[is.na(TARGET),])
  tmp.index <- foo_new(data = restdata,
                       i.A  = unlist(DT1.ordered[i, list(minA, maxA)]),
                       i.C  = DT1.ordered[i, strsplit(C, ",")[[1]]])
  DT2[INDEX2 %in% tmp.index, TARGET := DT1.ordered[i, TARGET]]
}