本篇 data.table R 教程讲解了 data.table 包核心命令 DT[i, j, by] 的基础用法。如果您想进一步学习 data.table 包，DataCamp 提供了关于 data.table 包的交互式 R 课程 。课程包含 35 个以上的交互式 R 练习——全都可在您的浏览器中完成——并配有 data.table 包主要作者 Matt Dowle 以及重要贡献者 Arun Srinivasan 的多段视频。免费试用 。
如果您曾在内存中处理过大型数据集（1GB 到 100GB 以上），就会知道 data.frame 可能会受限：有些操作耗时过长。Data.table 通过缩短计算时间来解决这个问题。更进一步，它还能让您用更少的输入完成更多工作。一旦通过本教程掌握了 data.table 的语法，您会惊讶于复杂操作可以如此简单。因此，您不仅能减少计算时间，还能缩短编程时间。
DT[i,j,by] 命令由三部分组成：i、j 和 by。如果用 SQL 来类比，i 对应 WHERE，j 对应 SELECT，by 对应 GROUP BY。我们通常这样理解这条命令：“取 DT，用 ‘i’ 子集化行，然后按 ‘by’ 分组计算 ‘j’。”下面用 hflights 数据集（便于您复现所有示例）的一个简单示例：
library( hflights)
library( data.table)
DT & lt; - as.data.table( hflights)
DT[ Month== 10 , mean( na.omit( AirTime) ) , by= UniqueCarrier] 技术支持 UniqueCarrier V1
AA 68.76471
AS 255.29032
B6 176.93548
CO 141.52861
... 技术支持 这里我们将数据表子集化为仅保留一年中第 10 个月的行，计算实际飞行的航班的平均 AirTime（这就是为什么要用 na.omit()，被取消的航班没有 AirTime 值），然后按承运人进行分组。比如可以看到，AA（American Airlines，美国航空）的平均 AirTime 明显低于 AS（Alaska Airlines，阿拉斯加航空）。您也注意到了吗？R 的基础函数可以在 j 部分中使用。我们稍后会再谈。
The i Part
“i” 部分用于按行子集化，和 data frame 的用法类似。
DT[ 2 : 5 ] 技术支持
Year Month DayofMonth DayOfWeek DepTime ArrTime UniqueCarrier FlightNum TailNum ActualElapsedTime AirTime
2011 1 2 7 1401 1501 AA 428 N557AA 60 45
2011 1 3 1 1352 1502 AA 428 N541AA 70 48
2011 1 4 2 1403 1513 AA 428 N403AA 70 39
2011 1 5 3 1405 1507 AA 428 N492AA 62 44
ArrDelay DepDelay Origin Dest Distance TaxiIn TaxiOut Cancelled CancellationCode Diverted
- 9 1 IAH DFW 224 6 9 0 0
- 8 - 8 IAH DFW 224 5 17 0 0
3 3 IAH DFW 224 9 22 0 0
- 3 5 IAH DFW 224 9 9 0 0 技术支持 但您也可以使用列名，因为它们会在 DT 的作用域内求值。
DT[ UniqueCarrier== & quot; AA& quot; ] 技术支持
Year Month DayofMonth DayOfWeek DepTime ArrTime UniqueCarrier FlightNum TailNum ActualElapsedTime
2011 1 1 6 1400 1500 AA 428 N576AA 60
2011 1 2 7 1401 1501 AA 428 N557AA 60
2011 1 3 1 1352 1502 AA 428 N541AA 70
2011 1 4 2 1403 1513 AA 428 N403AA 70
2011 1 5 3 1405 1507 AA 428 N492AA 62
- - -
2011 12 27 2 1021 1333 AA 2234 N3ETAA 132
2011 12 28 3 1015 1329 AA 2234 N3FJAA 134
2011 12 29 4 1023 1335 AA 2234 N3GSAA 132
2011 12 30 5 1024 1334 AA 2234 N3BAAA 130
2011 12 31 6 1024 1343 AA 2234 N3HNAA 139
AirTime ArrDelay DepDelay Origin Dest Distance TaxiIn TaxiOut Cancelled CancellationCode Diverted
40 - 10 0 IAH DFW 224 7 13 0 0
45 - 9 1 IAH DFW 224 6 9 0 0
48 - 8 - 8 IAH DFW 224 5 17 0 0
39 3 3 IAH DFW 224 9 22 0 0
44 - 3 5 IAH DFW 224 9 9 0 0
- - -
112 - 12 1 IAH MIA 964 8 12 0 0
112 - 16 - 5 IAH MIA 964 9 13 0 0
110 - 10 3 IAH MIA 964 12 10 0 0
110 - 11 4 IAH MIA 964 9 11 0 0
119 - 2 4 IAH MIA 964 8 12 0 0 技术支持 请注意，在 data table 中进行行子集化不需要逗号。在 data.frame 中，写 DF[2:5] 会返回第 2 到第 5 列的所有行。相反（大家都知道），我们需要写 DF[2:5,]。同时也要注意，DT[,2:5] 对 data table 来说没有意义，详见 data.table 包的常见问题 中的第一个问题。
既有点古怪又很实用 ：在子集化行时，您还可以在 DT[…] 命令中使用符号 .N，它代表行数或最后一行。您可以用它来选择最后一行或基于最后一行的偏移。
DT[ .N- 1 ] 技术支持
Year Month DayofMonth DayOfWeek DepTime ArrTime UniqueCarrier FlightNum TailNum ActualElapsedTime AirTime
2011 12 6 2 656 812 WN 621 N727SW 76 64
ArrDelay DepDelay Origin Dest Distance TaxiIn TaxiOut Cancelled CancellationCode Diverted
- 13 - 4 HOU TUL 453 3 9 0 0 技术支持 The j Part
“j” 部分用于选择列并对其做一些处理 。而所谓的处理 几乎可以是任何操作。可以使用各种函数，这是 data.table 包的一大优势。
DT[ , mean( na.omit( ArrDelay) ) ] 技术支持 [ 1 ] 7.094334 技术支持 注意这里的 “i” 留空，方括号里的第一个字符是逗号。乍看之下可能有些反直觉，但这仅仅表示我们不对子集行进行限制，即选择所有行。在 “j” 部分，我们计算了所有航班的平均到达延误。看来 hflights 数据集中的航班平均延误超过 7 分钟。下次赶飞机请做好心理准备！
当在 “j” 部分选择多列并对它们做处理 时，您需要使用 “.()” 记法。该记法实际上是 “list()” 的别名。它返回一个 data table；而不使用 “.()” 时，如上所示只会返回一个向量。
DT[ , .( mean( na.omit( DepDelay) ) , mean( na.omit( ArrDelay) ) ) ] 技术支持 V1 V2
9.444951 7.094334 技术支持 另一个需要 “.()” 记法的实用功能是，您可以在 DT[…] 命令内部重命名列。
DT[ , .( Avg_ArrDelay =
mean( na.omit( ArrDelay) ) ) ] 技术支持 Avg_ArrDelay
7.094334 技术支持 DT[ , .( Avg_DepDelay = mean( na.omit( DepDelay) ) ,
avg_ArrDelay = mean( na.omit( ArrDelay) ) ) ] 技术支持 Avg_DepDelay Avg_ArrDelay
9.444951 7.094334 技术支持 当然，新的列名并非必需。
将上述 “i” 与 “j” 的内容结合起来：
DT[ UniqueCarrier== & quot; AA& quot; , .( Avg_DepDelay =
mean( na.omit( DepDelay) ) ,
Avg_ArrDelay = mean( na.omit( ArrDelay) ) ,
plot( DepTime, DepDelay, ylim= c( - 15 , 200 ) ) ,
abline( h= 0 ) ) ] 技术支持 Avg_DepDelay Avg_ArrDelay V3 V4
6.390144 0.8917558 NULL NULL 技术支持
这里我们在 “i” 部分选取了承运人为 AA 的所有行，在 “j” 部分计算了起飞与到达的平均延误，并绘制了起飞时间与起飞延误的关系图。
小结一下，“j” 部分用于对其中指定的列进行计算。由于 data table 的列被视为变量，而 “j” 的各部分会作为表达式求值，几乎任何操作都可以在 “j” 中完成。这能显著缩短您的编程时间。
The by part
本教程的最后一部分聚焦 “by”。当我们希望按某个特定变量（或该变量的某种变换）对 “j” 的结果进行分组时，就使用 “by”。您会看到 “j” 表达式会对每个 “by” 分组重复执行。用法很简单：只需在 “by” 参数中指定要分组的列。
DT[ , mean( na.omit( DepDelay) ) , by= Origin] 技术支持 Origin V1
IAH 8.436951
HOU 12.837873 技术支持 这里我们计算了起飞前的平均延误，但按航班的始发地分组。看起来从 HOU 起飞的航班平均延误要高于从 IAH 出发的航班。
和 “j” 一样，您也可以在 “by” 中做很多处理 。可以在 “by” 中使用函数，从而让 “j” 的运算结果按我们在 DT[…] 命令内 指定的内容分组。在 DT[…] 内使用函数使这一行代码非常强大。同样地，当在 “by” 中使用多列时，需要使用 “.()” 记法。
DT[ , .( Avg_DepDelay_byWeekdays = mean( na.omit( DepDelay) ) ) , by= .( Origin, Weekdays = DayOfWeek& lt; 6 ) ] 技术支持 Origin Weekdays Avg_DepDelay_byWeekdays
IAH FALSE 8.286543
IAH TRUE 8.492484
HOU FALSE 10.965384
HOU TRUE 13.433994 技术支持 这里（“i” 部分未作子集化，故选择了所有行），首先计算了所有航班的起飞前平均延误，然后按始发地以及是否为工作日进行分组。周末时 Weekdays 为 False。结果显示，从 HOU 起飞的平均起飞延误比 IAH 更大，且出乎意料的是，周末的延误更小。
将一切合到一起，一个典型的 DT[i,j,by] 命令如下：
DT[ UniqueCarrier== & quot; DL& quot; , .( Avg_DepDelay =
mean( na.omit( DepDelay) ) ,
Avg_ArrDelay = mean( na.omit( ArrDelay) ) ,
Compensation = mean( na.omit( ArrDelay - DepDelay) ) ) , by = .( Origin, Weekdays = DayOfWeek& amp; lt; 6 ) ] 技术支持 Origin Weekdays Avg_DepDelay Avg_ArrDelay Compensation
IAH FALSE 8.979730 4.116751 - 4.825719
HOU FALSE 7.120000 2.656566 - 4.555556
IAH TRUE 9.270948 6.281941 - 2.836609
HOU TRUE 11.631387 10.406593 - 1.278388 技术支持 这里对达美航空（Delta Air Lines）执飞的航班子集（在 “i” 中选择）按始发地与是否为工作日（在 “by” 中）进行了分组。同时还计算了空中弥补的时间（在 “j” 中）。结果显示，在周末，无论始发地是 IAH 还是 HOU，空中弥补的时间（即通过飞得更快而弥补的时间）更长。
data.table 包还有更多可探索的内容，但这篇文章展示了基础的 DT[i,j,by] 命令。DataCamp 课程 对该包做了全面讲解。您可以在浏览器中按自己的节奏完成练习，并获得提示与反馈，随时回看视频与幻灯片。这种交互式学习方式能让您深入掌握 data.table 的知识与实战经验。免费试用 。同时查看 DataCamp 的data.table R 包速查表 。
希望通过本篇 data.table R 教程，您已经理解了 data.table 的基本语法，并准备好自行实践。如果您对 data.table 包有疑问，请到这里 看看。Matt 和 Arun 非常活跃。接下来关于 data.table 的博客文章将更偏技术，深入探讨 data.table 的广泛用法，敬请期待！
%22%3E%3Cpath%20d%3D%22m-369%200h408v79h-408z%22%20fill%3D%22%237933ff%22%2F%3E%3Cpath%20d%3D%22m-148%200h306v45h-306z%22%20fill%3D%22%23974dff%22%2F%3E%3C%2Fg%3E%3C%2Fsvg%3E)
%22%2F%3E%3C%2FclipPath%3E%3Cg%20clip-path%3D%22url(%23a)%22%3E%3Cpath%20d%3D%22m76%200h484v36h-484z%22%20fill%3D%22%23974dff%22%2F%3E%3Cpath%20d%3D%22m0%200h384v24h-384z%22%20fill%3D%22%2306bdfc%22%20transform%3D%22matrix(1%200%200%20-1%200%2060)%22%2F%3E%3C%2Fg%3E%3C%2Fsvg%3E)
本篇 data.table R 教程讲解了 data.table 包核心命令
DT[i, j, by]的基础用法。如果您想进一步学习 data.table 包，DataCamp 提供了关于 data.table 包的交互式 R 课程。课程包含 35 个以上的交互式 R 练习——全都可在您的浏览器中完成——并配有 data.table 包主要作者 Matt Dowle 以及重要贡献者 Arun Srinivasan 的多段视频。免费试用。如果您曾在内存中处理过大型数据集（1GB 到 100GB 以上），就会知道
data.frame可能会受限：有些操作耗时过长。Data.table 通过缩短计算时间来解决这个问题。更进一步，它还能让您用更少的输入完成更多工作。一旦通过本教程掌握了 data.table 的语法，您会惊讶于复杂操作可以如此简单。因此，您不仅能减少计算时间，还能缩短编程时间。DT[i,j,by]命令由三部分组成：i、j和by。如果用 SQL 来类比，i对应 WHERE，j对应 SELECT，by对应 GROUP BY。我们通常这样理解这条命令：“取 DT，用 ‘i’ 子集化行，然后按 ‘by’ 分组计算 ‘j’。”下面用hflights数据集（便于您复现所有示例）的一个简单示例：这里我们将数据表子集化为仅保留一年中第 10 个月的行，计算实际飞行的航班的平均 AirTime（这就是为什么要用
na.omit()，被取消的航班没有 AirTime 值），然后按承运人进行分组。比如可以看到，AA（American Airlines，美国航空）的平均 AirTime 明显低于 AS（Alaska Airlines，阿拉斯加航空）。您也注意到了吗？R 的基础函数可以在j部分中使用。我们稍后会再谈。The i Part
“i” 部分用于按行子集化，和 data frame 的用法类似。
但您也可以使用列名，因为它们会在 DT 的作用域内求值。
请注意，在 data table 中进行行子集化不需要逗号。在 data.frame 中，写
DF[2:5]会返回第 2 到第 5 列的所有行。相反（大家都知道），我们需要写DF[2:5,]。同时也要注意，DT[,2:5]对 data table 来说没有意义，详见 data.table 包的常见问题中的第一个问题。既有点古怪又很实用：在子集化行时，您还可以在 DT[…] 命令中使用符号
.N，它代表行数或最后一行。您可以用它来选择最后一行或基于最后一行的偏移。The j Part
“j” 部分用于选择列并对其做一些处理。而所谓的处理几乎可以是任何操作。可以使用各种函数，这是 data.table 包的一大优势。
注意这里的 “i” 留空，方括号里的第一个字符是逗号。乍看之下可能有些反直觉，但这仅仅表示我们不对子集行进行限制，即选择所有行。在 “j” 部分，我们计算了所有航班的平均到达延误。看来 hflights 数据集中的航班平均延误超过 7 分钟。下次赶飞机请做好心理准备！
当在 “j” 部分选择多列并对它们做处理时，您需要使用 “
.()” 记法。该记法实际上是 “list()” 的别名。它返回一个 data table；而不使用 “.()” 时，如上所示只会返回一个向量。另一个需要 “
.()” 记法的实用功能是，您可以在 DT[…] 命令内部重命名列。当然，新的列名并非必需。
将上述 “i” 与 “j” 的内容结合起来：
这里我们在 “i” 部分选取了承运人为 AA 的所有行，在 “j” 部分计算了起飞与到达的平均延误，并绘制了起飞时间与起飞延误的关系图。
小结一下，“j” 部分用于对其中指定的列进行计算。由于 data table 的列被视为变量，而 “j” 的各部分会作为表达式求值，几乎任何操作都可以在 “j” 中完成。这能显著缩短您的编程时间。
The by part
本教程的最后一部分聚焦 “by”。当我们希望按某个特定变量（或该变量的某种变换）对 “j” 的结果进行分组时，就使用 “by”。您会看到 “j” 表达式会对每个 “by” 分组重复执行。用法很简单：只需在 “by” 参数中指定要分组的列。
这里我们计算了起飞前的平均延误，但按航班的始发地分组。看起来从 HOU 起飞的航班平均延误要高于从 IAH 出发的航班。
和 “j” 一样，您也可以在 “by” 中做很多处理。可以在 “by” 中使用函数，从而让 “j” 的运算结果按我们在 DT[…] 命令内指定的内容分组。在
DT[…]内使用函数使这一行代码非常强大。同样地，当在 “by” 中使用多列时，需要使用 “.()” 记法。这里（“i” 部分未作子集化，故选择了所有行），首先计算了所有航班的起飞前平均延误，然后按始发地以及是否为工作日进行分组。周末时 Weekdays 为
False。结果显示，从 HOU 起飞的平均起飞延误比 IAH 更大，且出乎意料的是，周末的延误更小。将一切合到一起，一个典型的
DT[i,j,by]命令如下：这里对达美航空（Delta Air Lines）执飞的航班子集（在 “i” 中选择）按始发地与是否为工作日（在 “by” 中）进行了分组。同时还计算了空中弥补的时间（在 “j” 中）。结果显示，在周末，无论始发地是 IAH 还是 HOU，空中弥补的时间（即通过飞得更快而弥补的时间）更长。
data.table 包还有更多可探索的内容，但这篇文章展示了基础的
DT[i,j,by]命令。DataCamp 课程对该包做了全面讲解。您可以在浏览器中按自己的节奏完成练习，并获得提示与反馈，随时回看视频与幻灯片。这种交互式学习方式能让您深入掌握 data.table 的知识与实战经验。免费试用。同时查看 DataCamp 的data.table R 包速查表。希望通过本篇 data.table R 教程，您已经理解了 data.table 的基本语法，并准备好自行实践。如果您对 data.table 包有疑问，请到这里看看。Matt 和 Arun 非常活跃。接下来关于 data.table 的博客文章将更偏技术，深入探讨 data.table 的广泛用法，敬请期待！