So definieren Sie data.table Schlüssel für die schnellste Aggregation mit mehreren Schlüsseln

Question

Ich versuche, besser zu verstehen, mit Keyd data.table s. Nachdem ich die Dokumentation gelesen habe, verstehe ich, wie man das Subsetting bei Verwendung eines Schlüssels beschleunigt. Zum Beispiel:

DT = data.table(x=rep(c("ad","bd","cd"),each=3), y=c(1,3,6), v=1:9) 

Option eins:

DT[x == "ad"] 

Option zwei:

setkey(DT,x) 
DT["ad"] 

In diesem Fall Option ist ein viel langsamer als Option zwei, weil die data.table den Schlüssel verwendet effizienter zu suchen (mit einer binären Suche im Vergleich zu einem Vektor-Scan, den ich nicht verstehe, aber ich vertraue, ist schneller.)

Wenn Sie eine Teilmenge der Daten mithilfe einer by-Anweisung aggregieren, was ist der schnellste Weg, den Schlüssel zu definieren? Sollte ich die Spalte, die ich verwende, um die Daten zu unterteilen, oder die Spalte, die die Gruppen definiert, eingeben? Zum Beispiel:

setkey(DT,x) 
DT[!"bd",sum(v),by=y] 

oder

setkey(DT,y) 
DT[!"bd",sum(v),by=y] 

Gibt es eine Möglichkeit sowohl einen Schlüssel für x und y zu nutzen?

EDIT

Ist der Schlüssel sowohl x Einstellung und y zwei Suchvektor durchführen? das heißt:

setkey(DT,x,y) 

EDIT2

Sorry, was ich bedeutete zu fragen war der Anruf DT[!"bd",sum(v),by=y] führen zwei binäre Scans, wenn DT von x und y verkeilt ist?

Answer 1

Ich glaube, dass es nicht möglich ist, zwei binäre Scans durchzuführen, wenn die Datentabelle DT sowohl mit x als auch mit y codiert ist. Stattdessen würde ich die Keying wiederholen zuerst auf x und dann auf y wie folgt:

DT = data.table(x=rep(c("ad","bd","cd"),each=3), y=as.character(c(1,3,4)), v=1:9) 
setkey(DT,x) 
tmp = DT[!"bd"] 
setkey(tmp,y) 
tmp[!"1",sum(v),by=y]