有效检查 data.table 中其他行的值

Note:这是我最初发布到 data.table 帮助组的一个问题。马特·道尔（Matt Dowle）要求提供更详细的示例，我发布了这个示例，但我在电子邮件格式方面遇到了麻烦。我已经知道如何格式化 SO，所以我想我应该将其发布在这里。

我基本上想做的是根据该行中的值从 data.table 中提取行也前一行或后一行中的值。现在，我正在为未来和过去的行创建新列，然后在这些列上键入 data.table，但这是资源密集型且繁重的。

下面的例子说明了我现在使用的方法。该示例使用文档中的单词（我对两者都使用数字索引）。我想对特定单词进行子集化，但前提是它前面或后面有另一个单词或一组单词：

我首先创建一个虚拟数据集，其中包含 10 个包含 100 万个单词的文档。该集中有三个独特的单词。

library(data.table)
set.seed(1000)
DT<-data.table(wordindex=sample(1:3,1000000,replace=T),docindex=sample(1:10,1000000,replace=T))
setkey(DT,docindex)
DT[,position:=seq.int(1:.N),by=docindex]


          wordindex docindex position
      1:         1        1        1
      2:         1        1        2
      3:         3        1        3
      4:         3        1        4
      5:         1        1        5
    ---                            
 999996:         2       10    99811
 999997:         2       10    99812
 999998:         3       10    99813
 999999:         1       10    99814
1000000:         3       10    99815

请注意，简单地计算所有文档中第一个唯一单词的出现次数既简单又美观。

setkey(DT,wordindex)
count<-DT[J(1),list(count.1=.N),by=docindex]
count

    docindex count.1
 1:        1   33533
 2:        2   33067
 3:        3   33538
 4:        4   33053
 5:        5   33231
 6:        6   33002
 7:        7   33369
 8:        8   33353
 9:        9   33485
10:       10   33225

当考虑到前面的位置时，情况会变得更加混乱。这是一个计算所有文档中第一个唯一单词出现次数的查询unless接下来是第二个独特的词。首先，我创建一个新列，其中包含前面一个位置的单词，然后键入这两个单词。

setkey(DT,docindex,position)
DT[,lead_wordindex:=DT[list(docindex,position+1)][,wordindex]]

         wordindex docindex position lead_wordindex
      1:         1        1        1              1
      2:         1        1        2              3
      3:         3        1        3              3
      4:         3        1        4              1
      5:         1        1        5              2
     ---                                           
 999996:         2       10    99811              2
 999997:         2       10    99812              3
 999998:         3       10    99813              1
 999999:         1       10    99814              3
1000000:         3       10    99815             NA

setkey(DT,wordindex,lead_wordindex)
countr2<-DT[J(c(1,1),c(1,3)),list(count.1=.N),by=docindex]
countr2

    docindex count.1
 1:        1   22301
 2:        2   21835
 3:        3   22490
 4:        4   21830
 5:        5   22218
 6:        6   21914
 7:        7   22370
 8:        8   22265
 9:        9   22211
10:       10   22190

我有一个非常大的数据集，上述查询的内存分配失败。作为替代方案，我们可以通过过滤原始数据集然后将其连接回所需位置，仅为相关数据子集创建此新列：

setkey(DT,wordindex)
filter<-DT[J(1),list(wordindex,docindex,position)]
filter[,lead_position:=position+1]

        wordindex wordindex docindex position lead_position
     1:         1         1        2    99717         99718
     2:         1         1        3    99807         99808
     3:         1         1        4   100243        100244
     4:         1         1        1        1             2
     5:         1         1        1       42            43
    ---                                                    
332852:         1         1       10    99785         99786
332853:         1         1       10    99787         99788
332854:         1         1       10    99798         99799
332855:         1         1       10    99804         99805
332856:         1         1       10    99814         99815

setkey(DT,docindex,position)
filter[,lead_wordindex:=DT[J(filter[,list(docindex,lead_position)])][,wordindex]]

        wordindex wordindex docindex position lead_position lead_wordindex
     1:         1         1        2    99717         99718             NA
     2:         1         1        3    99807         99808             NA
     3:         1         1        4   100243        100244             NA
     4:         1         1        1        1             2              1
     5:         1         1        1       42            43              1
    ---                                                                   
332852:         1         1       10    99785         99786              3
332853:         1         1       10    99787         99788              3
332854:         1         1       10    99798         99799              3
332855:         1         1       10    99804         99805              3
332856:         1         1       10    99814         99815              3

setkey(filter,wordindex,lead_wordindex)
countr2.1<-filter[J(c(1,1),c(1,3)),list(count.1=.N),by=docindex]
countr2.1

    docindex count.1
 1:        1   22301
 2:        2   21835
 3:        3   22490
 4:        4   21830
 5:        5   22218
 6:        6   21914
 7:        7   22370
 8:        8   22265
 9:        9   22211
10:       10   22190

我觉得很丑。此外，我可能想要查看多个单词，因此需要创建另一栏。简单但昂贵的方法是：

setkey(DT,docindex,position)
DT[,lead_lead_wordindex:=DT[list(docindex,position+2)][,wordindex]]

         wordindex docindex position lead_wordindex lead_lead_wordindex
      1:         1        1        1              1                   3
      2:         1        1        2              3                   3
      3:         3        1        3              3                   1
      4:         3        1        4              1                   2
      5:         1        1        5              2                   3
     ---                                                               
 999996:         2       10    99811              2                   3
 999997:         2       10    99812              3                   1
 999998:         3       10    99813              1                   3
 999999:         1       10    99814              3                  NA
1000000:         3       10    99815             NA                  NA

setkey(DT,wordindex,lead_wordindex,lead_lead_wordindex)
countr23<-DT[J(1,2,3),list(count.1=.N),by=docindex]
countr23

    docindex count.1
 1:        1    3684
 2:        2    3746
 3:        3    3717
 4:        4    3727
 5:        5    3700
 6:        6    3779
 7:        7    3702
 8:        8    3756
 9:        9    3702
10:       10    3744

然而，由于尺寸的原因，我目前不得不使用丑陋的过滤和连接方式。

那么问题来了，有没有更简单、更美观的方式呢？

UPDATE:

感谢 Arun 和 eddi 提供了解决问题的干净简单的代码。在我的约 200M 行数据上，这个解决方案可以在大约 10 秒内处理简单的单词组合，这非常好！

然而，我确实有一个额外的问题，这使得矢量扫描方法不太理想。尽管在示例中我只查找一个单词组合，但实际上我可能在每个位置都有一个单词向量要查找。当我出于此目的将“==”语句更改为“%in%”（100 个或更多单词的向量）时，查询需要更长的时间才能运行。因此，如果存在的话，我仍然对二分搜索解决方案感兴趣。然而，如果阿伦不知道，那也可能不知道，我很乐意接受他的回答。

这是我脑海中突然出现的另一个想法。它只需要再创建一列并使用二分查找对于子集。

On the DT您已经根据数据生成了，首先我们将添加额外的列：

# the extra column:
DT[, I := .I]

我们需要这个，因为我们将setkey on docindex and wordindex。这是我们可以在不创建额外列的情况下进行子集化的唯一方法（至少是我能想到的）。因此，我们需要一种方法来提取“原始”位置，以检查您的情况（因此I).

添加额外的列后，让我们在上面提到的两列上设置键：

setkey(DT, docindex, wordindex)

伟大的！这里的想法是提取位置您想要的单词匹配的位置 - 这里的值是1L。然后，提取您可能想要（或可能不想）出现在该单词之后的正确位置的所有其他单词。然后，我们只需保留（或删除）那些满足条件的索引即可。

这是一个可以处理这个问题的函数。它绝不是完整的，但应该可以给您一个想法。

foo <- function(DT, doc_key, word_key, rest_key=NULL, match=FALSE) {
    ## note that I'm using 1.9.3, where this results in a vector
    ## if you're using 1.9.2, you'll have to change the joins accordingly
    idx1 = DT[J(doc_key, word_key), I]
    for (i in seq_along(rest_key)) {
        this_key = rest_key[i]
        idx2 = DT[J(doc_key, this_key), I]
        if (match) idx1 = idx1[which((idx1+i) %in% idx2)]
        else idx1 = idx1[which(!(idx1+i) %in% idx2)]
    }
    DT[idx1, .N, by=c(key(DT)[1L])]
}

Here, DT is the data.table到哪个I已添加栏目，and then setkey如前所述，已在两列上调用。

doc_key基本上包含了所有的唯一值docindex- 这里 1 点 10 分。word_key这里基本上是1L。rest_key是您要检查的值没有出现在i的位置之后的第 个位置word_key.

首先我们提取I对于所有比赛1L in idx1（直截了当）。接下来我们循环遍历的每个值rest_key并将该位置添加到idx1 = idx1+i并检查该值是否出现在idx2。如果是这样，根据您是否喜欢提取matching or 不匹配条目，我们将保留（或删除它们）。

在这个循环结束时，idx1应该只有所需的条目。希望这可以帮助。下面显示的是其他答案中已经讨论过的案例的演示。

让我们考虑您的第一个场景。中每个组的所有条目计数docindex第 i 个位置是1L and i+1th is not2L。这基本上是：

system.time(ans1 <- foo(DT, 1:10, 1L, 2L, FALSE))

#  user  system elapsed 
# 0.066   0.019   0.085 

# old method took 0.12 seconds

#     docindex     N
#  1:        1 22301
#  2:        2 21836
#  3:        3 22491
#  4:        4 21831
#  5:        5 22218
#  6:        6 21914
#  7:        7 22370
#  8:        8 22265
#  9:        9 22211
# 10:       10 22190

那么第二种情况呢？在这里，我们想要i+1th and i+2th 位置为 2L 和 3L，而不是不等于先前案例中的场景。所以，我们设置match=TRUE here.

system.time(ans2 <- foo(DT, 1:10, 1L, 2:3,TRUE))
#  user  system elapsed 
# 0.080   0.011   0.090 

# old method took 0.22 seconds

#     docindex    N
#  1:        1 3684
#  2:        2 3746
#  3:        3 3717
#  4:        4 3727
#  5:        5 3700
#  6:        6 3779
#  7:        7 3702
#  8:        8 3756
#  9:        9 3702
# 10:       10 3744

扩展这个功能很容易。例如：如果你想要i+1th 等于2L but i+2th 不等于 to 3L然后，你可以改变match成为一个向量=length(rest_key)指定相应的逻辑值。

我希望这对于您的实际情况来说很快 - 至少比其他版本更快。

HTH