R：data.table 与 merge(aggregate()) 性能

或者更一般地说，它是DT[,.SD[...],by=...] versus merge(aggregate(...)).

话不多说，这里是数据和示例：

set.seed(5141)
size = 1e6
df <- data.table(a = rnorm(size),
                 b = paste0(sample(letters, size, T), 
                            sample(letters, size, T), 
                            sample(letters, size, T)),
                 c = sample(1:(size/10), size, T),
                 d = sample(seq.Date(as.Date("2015-01-01"), 
                                     as.Date("2015-05-31"), by="day"), size, T))

system.time(df[,.SD[d == max(d)], by = c])
# user  system elapsed 
# 50.89    0.00   51.00 
system.time(merge(aggregate(d ~ c, data = df, max), df))
# user  system elapsed 
# 18.24    0.20   18.45 

通常没有问题data.table性能，我对这个特殊的例子感到惊讶。我必须通过仅获取某些事件类型的最新（可以是同时）发生的事件来对相当大的数据帧进行子集（聚合）。并保留这些特定事件的其余相关数据。然而，似乎.SD在此特定应用程序中不能很好地扩展。

有没有更好的“数据表方式”来处理此类任务？

我们可以用.I获取行索引并根据该索引对行进行子集化。应该会更快。

system.time(df[df[,.I[d == max(d)], by = c]$V1])
#    user  system elapsed 
#   5.00    0.09    5.30 

@Heroka的解决方案

system.time(df[,is_max:=d==max(d), by = c][is_max==T,])
#   user  system elapsed 
#  5.06    0.00    5.12 

The aggregate我的机器上的方法给出

system.time(merge(aggregate(d ~ c, data = df, max), df))
#   user  system elapsed 
#  48.62    1.00   50.76 

与.SD option

system.time(df[,.SD[d == max(d)], by = c])
#   user  system elapsed 
# 151.13    0.40  156.57 

使用data.table join

system.time(df[df[, list(d=max(d)) , c], on=c('c', 'd')])
#   user  system elapsed 
#   0.58    0.01    0.60 

如果我们看一下之间的比较merge/aggregate和==，它们是不同的函数。通常，aggregate/merge与相应的 join 相比，方法会更慢data.table。但是，我们正在使用==比较每一行（需要一些时间）.SD用于子集化（与.I用于行索引）。这.SD还有开销[.data.table.