如何与 data.table 执行半连接？半连接类似于内部连接，只不过它只返回 X 的列（而不是 Y 的列），并且不重复 X 的行以匹配 Y 的行。 例如，以下代码执行内部联接：
x <- data.table(x = 1:2, y = c("a", "b"))
setkey(x, x)
y <- data.table(x = c(1, 1), z = 10:11)
x[y]
# x y z
# 1: 1 a 10
# 2: 1 a 11
半连接将返回x[1]
更多可能性：
w = unique(x[y,which=TRUE]) # the row numbers in x which have a match from y
x[w]
如果 x 中有重复的键值，则需要：
w = unique(x[y,which=TRUE,allow.cartesian=TRUE])
x[w]
或者，反过来：
setkey(y,x)
w = !is.na(y[x,which=TRUE,mult="first"])
x[w]
如果 nrow（x） <<nrow（y），那么 y[x] 方法应该更快。
如果 nrow（x）>> nrow（y），那么 x[y] 方法应该更快。
但是反反加入呼吁也是：-）
我能想到的一个解决方案是：
tmp <- x[!y]
x[!tmp]
在data.table中，你可以有另一个数据表作为i表达式（即data.table.[调用中的第一个表达式），它将执行连接，例如：
x <- data.table(x = 1:10, y = letters[1:10])
setkey(x, x)
y <- data.table(x = c(1,3,5,1), z = 1:4)
> x[y]
x y z
1: 1 a 1
2: 3 c 2
3: 5 e 3
4: 1 a 4
i表达式之前的!是上述语法的扩展，它执行"非连接"，如 data.table 文档的第 11 页所述。因此，第一个赋值计算为x子集，该子集没有任何行，其中键（列 x ）存在于y中：
> x[!y]
x y
1: 2 b
2: 4 d
3: 6 f
4: 7 g
5: 8 h
6: 9 i
7: 10 j
在这方面，它与setdiff相似。因此，第二条语句返回 x 中键存在于 y 中的所有行。
!功能是在 data.table 1.8.4 年添加的，并在 NEWS 中附有以下注释：
o A new "!" prefix on i signals 'not-join' (a.k.a. 'not-where'), #1384i. DT[-DT["a", which=TRUE, nomatch=0]] # old not-join idiom, still works DT[!"a"] # same result, now preferred. DT[!J(6),...] # !J == not-join DT[!2:3,...] # ! on all types of i DT[colA!=6L | colB!=23L,...] # multiple vector scanning approach (slow) DT[!J(6L,23L)] # same result, faster binary search '!' has been used rather than '-' : * to match the 'not-join'/'not-where' nomenclature * with '-', DT[-0] would return DT rather than DT[0] and not be backwards compatible. With '!', DT[!0] returns DT both before (since !0 is TRUE in base R) and after this new feature. * to leave DT[+J...] and DT[-J...] available for future use
出于某种原因，以下内容x[!(x[!y])]不起作用 - 可能data.table解析参数太聪明了。
附言正如乔什·奥布莱恩（Josh O'Brien）在另一个答案中指出的那样，x[!eval(x[!y])]一行。
我对上面的所有非连接感到困惑，这不是您想要的：
unique(x[y, .SD])
# x y
#1: 1 a
如果x可以有重复的键，则可以改为唯一y：
## Creating an example data.table 'a' three-times-repeated first row
x <- data.table(x = c(1,1,1,2), y = c("a", "a", "a", "b"))
setkey(x, x)
y <- data.table(x = c(1, 1), z = 10:11)
setkey(y, x)
x[eval(unique(y, by = key(y))), .SD] # data.table >= 1.9.8 requires by=key(y)
# x y
# 1: 1 a
# 2: 1 a
# 3: 1 a
更新。基于这里的所有讨论，我会做这样的事情，它应该很快并且在最一般的情况下有效：
x[eval(unique(y[, key(x), with = FALSE]))]
这是另一个更直接的解决方案：
unique(x[eval(y$x)])
它更直接，运行速度更快 - 这是与我以前的解决方案在运行时的比较：
# Generate some large data
N <- 1000000 * 26
x <- data.table(x = 1:N, y = letters, z = rnorm(N))
setkey(x, x)
y <- data.table(x = sample(N, N/10, replace = TRUE), z = sample(letters, N/10, replace = TRUE))
setkey(y, x)
system.time(r1 <- x[!eval(x[!y])])
user system elapsed
7.772 1.217 11.998
system.time(r2 <- unique(x[eval(y$x)]))
user system elapsed
0.540 0.142 0.723
在更一般的情况下，您可以执行以下操作：
x[eval(y[, key(x), with = FALSE])]
我尝试编写一个不使用任何名称的方法，这在 OP 的示例中完全令人困惑。
sJ <- function(x,y){
ycols <- 1:min(ncol(y),length(key(x)))
yjoin <- unique(y[, ..ycols])
yjoin
}
x[eval(sJ(x,y))]
对于 Victor 的简单示例，这给出了所需的输出：
x y
1: 1 a
2: 3 c
3: 5 e
这比维克多的方式慢了~30%。
编辑：维克多的方法，在加入之前采取独特的方法，要快得多：
N <- 1e5*26
x <- data.table(x = 1:N, y = letters, z = rnorm(N))
setkey(x, x)
y <- data.table(x = sample(N, N/10, replace = TRUE), z = sample(letters, N/10, replace = TRUE))
setkey(y, x)
require(microbenchmark)
microbenchmark(
sJ=x[eval(sJ(x,y))],
dolla=unique(x[eval(y$x)]),
brack=x[eval(unique(y[['x']]))]
)
Unit: milliseconds
expr min lq median uq max neval
# sJ 120.22700 125.04900 126.50704 132.35326 217.6566 100
# dolla 105.05373 108.33804 109.16249 118.17613 285.9814 100
# brack 53.95656 61.32669 61.88227 65.21571 235.8048 100
我猜[[ vs $ 对速度没有帮助，但没有检查。
这个线程太老了。但我注意到，解决方案可以很容易地从原始帖子中给出的半连接定义中得出：
"半连接类似于内部连接，只是它只返回 X 的列（不是 Y 的列），并且不重复 X 的行 以匹配 Y 的行"
library(data.table)
dt1 <- data.table(ProdId = 1:4,
Product = c("Bread", "Cheese", "Pizza", "Butter"))
dt2 <- data.table(ProdId = c(1, 1, 3, 4, 5),
Company = c("A", "B", "C", "D", "E"))
# semi-join
unique(merge(dt1, dt2, on="ProdId")[, names(dt1), with=F])
ProdId Product
1: 1 Bread
2: 3 Pizza
3: 4 Butter
我只是简单地应用了内部连接的语法，然后仅过滤第一个表中的列，unique()删除第一个表的行，这些行重复以匹配第二个表的行。
编辑：仅当我们在第一个表中具有唯一行时dplyr::semi_join()上述方法才会匹配输出。如果我们需要输出所有行，包括第一个表中的重复行，那么我们可以使用如下所示fsetdiff()方法。
另一行data.table解决方案：
fsetdiff(dt1, dt1[!dt2, on="ProdId"])
ProdId Product
1: 1 Bread
2: 3 Pizza
3: 4 Butter
我刚刚从第一个表中删除了第一个和第二个表的反连接。对我来说似乎更简单。如果第一个表有重复的行，我们将需要：
fsetdiff(dt1, dt1[!dt2, on="ProdId"], all=T)
带有 ,all=T 的fsetdiff()结果与 dplyr 的输出匹配：
dplyr::semi_join(dt1, dt2, by="ProdId")
ProdId Product
1 1 Bread
2 3 Pizza
3 4 Butter
使用从以前的一篇文章中获取的另一组数据：
x <- data.table(x = c(1,1,1,2), y = c("a", "a", "a", "b"))
y <- data.table(x = c(1, 1), z = 10:11)
使用 dplyr：
dplyr::semi_join(x, y, by="x")
x y
1 1 a
2 1 a
3 1 a
使用数据表：
fsetdiff(x, x[!y, on="x"], all=T)
x y
1: 1 a
2: 1 a
3: 1 a
如果没有,all=T，将删除重复的行：
fsetdiff(x, x[!y, on="x"])
x y
1: 1 a
软件包 dplyr 支持以下四种连接类型：
inner_join、left_join、semi_join、anti_join
所以对于半连接，请尝试以下代码
library("dplyr")
table1 <- data.table(x = 1:2, y = c("a", "b"))
table2 <- data.table(x = c(1, 1), z = 10:11)
semi_join(table1, table2)
输出符合预期：
# Joining by: "x"
# Source: local data table [1 x 2]
#
# x y
# (int) (chr)
# 1 1 a
尝试以下操作：
w <- y[,unique(x)]
x[x %in% w]
输出将是：
x y
1: 1 a