使用data.table 包时，我有点不确定何时需要setkey()。例如，当使用:= 运算符和by 选项时，即使我没有设置密钥，事情似乎仍然非常快。有人可以说明何时需要setkey()，何时不需要？如果在使用by 调用:= 之前没有必要，那么data.table 包怎么这么快，因为它可能必须通过执行顺序搜索来做与标准data.frame R 中的apply 相同的事情而不是二进制的，因为它不知道我的data.table 是否实际上是按by 的参数排序的。
谢谢
【问题讨论】：
标签： r dataframe data.table apply
这两个常见问题似乎很接近：
3.2 我没有大桌子上的钥匙，但是分组还是很快的。为什么会这样？
data.table使用基数排序。这比其他排序算法快得多。 Radix 仅适用于整数，请参阅?base::sort.list(x,method="radix")。这也是setkey快的原因之一。当没有设置键，或者我们以与键不同的顺序分组时，我们称其为 ad hoc by。3.3 为什么按 key 中的列分组比 ad hoc by 更快？
因为每个组在 RAM 中是连续的，从而最大限度地减少页面获取，并且可以批量复制内存（C 中的memcpy）而不是 C 中的循环。
在您注意到 keyed by 和 ad hoc by 之间的区别之前，它没有说并且可能应该做的是，您需要一个非常大的数据集，其中每个组也非常大。类似于 100 组，每组 100MB（一个 10GB 的 data.table），例如 1e8 行和 13 列。否则，没有必要先setkey，尤其是因为这会很麻烦。
【讨论】：
ad hoc by 是否很快，因为它也使用基数排序？
by 确实使用基数排序来查找整数列的组，因此它取决于类型和有多少列被“by”-ed。然后，一旦它找到了组，分组速度很快的一个原因是因为预先为最大的组分配了内存，然后再为所有组重用。并且仅适用于j 所需的列。请参阅常见问题解答 3.1。尝试verbose=TRUE 模式，因为它揭示了查找组（包括基数排序）与迭代它们所花费的时间。