r - 改进 data.table 的聚合

Question

假设我的 data.table 看起来像这样:

dt <- data.table(
  a   = c( "A", "B", "C", "C" ),
  b   = c( "U", "V", "W", "X" ),
  c   = c( 0.1, 0.2, 0.3, 0.4 ),
  min = c( 0,   1,   2,   3 ),
  max = c( 11,  12,  13,  14 ),
  val = c( 100, 200, 300, 400 ),
  key = "a"
)

我的实际 data.table 有更多的列和多达几百万行。大约 10% 的行有重复的键 a。我想将这些行与如下所示的函数聚合:

comb <- function( x ){
  k <- which.max( x[ ,c ]  )
  list( b = x[ k, b ], c = x[ k, c ], min = min( x[ , min ] ), max = max( x[ , max ] ), val = sum( x[ ,val ] ) )
}

但是，调用

dt <- dt[ , comb(.SD), by = a ]

非常慢，我想知道如何改进它。如有任何帮助，我们将不胜感激。

Answer 1

通过将 c 放入 key 中并使用 .N 来获取我们可以避免 which.max 的最大值(未经测试):

setkey(dt, a, c)
dt[, c(.SD[.N], min = min[1], val = sum(val)), by = a][, -c(4, 6)]

添加:或此变体:

dt[, c(.SD[.N, c(1:2, 4)], min = min[1], val = sum(val)), by = a]

添加2:我们只使用了.SD，因为您表示您有很多列，但如果您愿意将它们写出来，那么上面的内容可以写成:

dt[, list(b = b[.N], c = c[.N], min = min[1], max = max[.N], val = sum(val)), by = a]

添加 3:又一个变体:

dt[, c("min", "val") := list(min[1], sum(val)), by = a][, .SD[.N], by = a]

基准

对四种解决方案进行微基准测试得出以下箱线图 (n = 10):