r - 我什么时候应该使用 := operator in data. 表？

Question

data.table 对象现在有一个 := 运算符。该运算符与所有其他赋值运算符有何不同？另外，它有什么用途，速度有多快，什么时候应该避免使用？

Answer 1

这里是一个示例，显示 10 分钟减少到 1 秒(来自 homepage 上的新闻)。这就像对 data.frame 进行子分配，但不会每次都复制整个表。

m = matrix(1,nrow=100000,ncol=100)
DF = as.data.frame(m)
DT = as.data.table(m)

system.time(for (i in 1:1000) DF[i,1] <- i)
     user  system elapsed 
  287.062 302.627 591.984 

system.time(for (i in 1:1000) DT[i,V1:=i])
     user  system elapsed 
    1.148   0.000   1.158     ( 511 times faster )

将 := 放入 j 中，这样可以允许更多习语:

DT["a",done:=TRUE]   # binary search for group 'a' and set a flag
DT[,newcol:=42]      # add a new column by reference (no copy of existing data)
DT[,col:=NULL]       # remove a column by reference

和:

DT[,newcol:=sum(v),by=group]  # like a fast transform() by group

我想不出任何理由避免 := !除了在 for 循环内。由于 := 出现在 DT[...] 内部，因此它会带来 [.data.table 方法的少量开销；例如，S3 调度并检查参数的存在和类型，例如 i、by、nomatch 等。因此对于内部 for 循环中，有一个低开销、直接的 := 版本，称为 set。请参阅 ?set 了解更多详细信息和示例。 set 的缺点包括 i 必须是行号(无二分搜索)，并且不能将其与 by 组合。通过设置这些限制可以显着减少开销。

system.time(for (i in 1:1000) set(DT,i,"V1",i))
     user  system elapsed 
    0.016   0.000   0.018