有效检查 data.table 中其他行的值

Question

注意：这是我最初发布到 data.table 帮助组的一个问题。 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问题。我已经知道如何在 SO 上格式化，所以我想我会在这里发布。

我基本上要做的是根据该行中的值以及前一行或后一行中的值从 data.table 子集行。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，但这是资源密集型和繁重的。

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：

我首先创建了一个虚拟数据集，其中包含十个包含一百万字的文档。集合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

考虑到前面的位置，它会变得更加混乱。这是一个查询所有文档中第一个唯一词的出现次数除非它后面跟着第二个唯一词。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，上面的查询无法分配内存。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，我可能想看不止一个词，因此需要创建另一个专栏。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

但是，由于大小，我目前不得不使用丑陋的过滤器和连接方式。

那么问题来了，有没有更简单更美观的方法呢？

更新：

感谢 Arun 和 eddi 提供了解决问题的简洁代码。在我的 ~200M 行数据上，这个解决方案可以在大约 10 秒内处理一个简单的单词组合，这非常好！

不过，我确实有一个额外的问题，这使得矢量扫描方法不太理想。尽管在示例中我只寻找一个单词组合，但实际上我可能在每个位置都有一个要查找的单词向量。当我为此目的将“==”语句更改为“%in%”时（100 个单词或更多的向量），查询需要更长的时间才能运行。因此，如果存在二进制搜索解决方案，我仍然会感兴趣。但是，如果 Arun 不知道，可能不会，我很乐意接受他的回答。

Answer 1

这是我脑海中浮现的另一个想法。它只需要再创建一列并使用二分搜索作为子集。

在您从数据生成的DT 上，首先我们将添加额外的列：

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

我们需要这个，因为我们将在 docindex 上 setkey 和 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（至少我能想到的）。因此，我们稍后需要一种方法来提取“原始”位置以检查您的情况（因此是 I）。

添加额外的列之后，我们在上面提到的两列上设置key：

setkey(DT, docindex, wordindex)

太棒了！这里的想法是提取您想要的单词匹配的位置 - 这里的值是1L。然后，在正确的位置提取您可能（或可能不）想要在该单词之后出现的所有其他单词。然后，我们只需保留（或删除）那些满足条件的索引。

这里有一个函数可以解决这个问题。它绝不是完整的，但应该给你一个想法。

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])]
}

这里，DT 是添加了I 列的data.table，然后 setkey 已在前面提到的两列上调用。

doc_key 基本上包含docindex 中的所有唯一值 - 这里是 1:10。 word_key这里基本上是1L。 rest_key 是您要检查的值不会出现在word_key 位置之后的ith 位置。

首先，我们为idx1 中的所有1L 匹配提取I（直截了当）。接下来，我们遍历rest_key 的每个值，并将该位置添加到idx1 = idx1+i 并检查该值是否出现在idx2 中。如果是这样，我们将根据您是否喜欢提取匹配或不匹配条目，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。下面显示的是另一个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。所有条目的计数，对于 docindex 中的每个组，其中第 i 个位置是 1L 和 i+1th 不是 2L。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

---

第二种情况呢？在这里，我们希望 i+1th 和 i+2th 的位置是 2L 和 3L，而不是前面例子中的 不等于 场景。所以，我们在这里设置match=TRUE。

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

这个功能很容易扩展。例如：如果您想让i+1th 等于2L 但i+2th 不等于 到3L，那么您可以将match 更改为vector = length(rest_key) 指定对应的逻辑值。

我希望这对您的实际情况来说很快 - 至少比其他版本快。

HTH

Answer 2

听起来你只是想要：

DT[, sum(wordindex == 1 & c(tail(wordindex, -1), 2) != 2), by = docindex]

我看不出通过连接将其复杂化的意义。

顺便说一句，在某些情况下，您会得到与您不同的答案，这要么是因为我不明白您想要什么，要么是因为您的方法在某些极端情况下失败。例如。尝试这两种方法

DT = data.table(wordindex = c(1,1,2,1,1,2), docindex = c(1,1,2,2,3,3))

Answer 3

只需创建一个lead 函数并在您的j-expression 中使用它：

lead <- function(x, n)
    if (n == 0) x else c(tail(x, -n), rep.int(NA, n))

如果你想得到wordindexith 位置的计数是 1L，而i+1th不是2L，那么：

DT[, sum(wordindex == 1L & lead(wordindex, 1L) != 2L, na.rm=TRUE), by=docindex]
#     docindex    V1
#  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

如果您想获得i 处的wordindex 是1L，i+1 是2L，i+2 是3L 的计数，那么：

DT[, sum(wordindex == 1L & lead(wordindex, 1L) == 2L & 
          lead(wordindex, 2L) == 3L, na.rm=TRUE), by=docindex]
#     docindex   V1
#  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

请注意，这里不需要setkey。adhoc-by 应该很好用。

---

解决评论：

此解决方案在j 中使用矢量扫描，而不是您的二进制搜索方法。但是这里有不同的权衡。与二进制搜索版本相比，该代码相对优雅，易于阅读，扩展到多个滞后和条件并维护（因为我想不出不创建额外列的方法）。这需要更多更少的内存，这也是您的情况的一个限制因素。

你说“大数据”，但不要再说什么。对整个数据（比如 2000 万行或 2 亿行）进行矢量扫描非常昂贵，是的。但是，对每个组进行操作，即使它不会提供二进制搜索的性能，也不应该慢很多。当然，这又取决于您拥有的组数和每组的观察次数。但最好对这些东西进行基准测试并弄清楚。

我会留给你的。祝你好运:)。