在data.table中设置密钥的目的是什么？
我正在使用data.table，有许多function需要我设置一个键（例如X[Y] ）。 因此，我希望了解一个密钥在我的数据表中正确设置密钥的function。
我读的一个来源是?setkey 。
setkey()对data.table进行sorting并将其标记为已sorting。 sorting的列是关键。 密钥可以是任何顺序的任何列。 列总是按升序排列。 该表通过引用进行更改。 除了一列之外的临时工作记忆，完全没有拷贝。
这里我的外卖是一个关键将“sorting”data.table，导致与order()非常相似的效果。 但是，这并没有解释拥有钥匙的目的。
data.table FAQ 3.2和3.3解释：
3.2我在大桌子上没有钥匙，但分组依然很快。 这是为什么？
data.table使用基数sorting。 这比其他sortingalgorithm显着快。 基数只针对整数，参见
?base::sort.list(x,method="radix")。 这也是为什么setkey()很快的原因之一。 当没有密钥设置，或者我们按照与密钥不同的顺序进行分组时，我们称它为特设。3.3为什么密钥中的列按分组速度快于临时密钥？
由于每个组在RAM中是连续的，因此可以最小化页面抓取，并且可以批量复制内存（C中的
memcpy），而不是在C中循环。
从这里，我猜想设置一个关键点允许R使用“基数sorting”优于其他algorithm，这就是为什么它更快。
10分钟快速入门指南还有一个关键指南。
- 按键
首先考虑data.frame，特别是rownames（或英文，行名）。 也就是说，属于单个行的多个名称。 属于单行的多个名字？ 这不是我们习惯的data.frame。 我们知道每行至多有一个名字。 一个人至less有两个名字，一个名字和一个第二名字。 这对组织一个电话号码簿很有用，例如，按照姓氏sorting，然后名字sorting。 但是，data.frame中的每一行只能有一个名字。
一个键由一列或多列rownames组成，可以是整数，因子，字符或其他类，而不是简单的字符。 此外，行按键sorting。 因此，data.table最多只能有一个键，因为它不能以多种方式sorting。
唯一性不强制执行，即允许重复键值。 由于行按键sorting，因此键中的任何重复项都将连续出现
电话簿有助于理解一个关键是什么，但是与具有一个因子列相比，关键是没有什么不同。 而且，这并不能解释为什么需要一个密钥（特别是使用某些函数）以及如何select列来设置密钥。 另外，在一个data.table中，随着时间的推移，如果将其他列设置为key，也可能会混淆time列，这使得它更加令人困惑，因为我不知道是否允许将其他列设置为键。 有人能够赐教吗？
次要更新：请参考新的HTML小插曲 。 这个问题突出了我们计划的其他小插曲。
我已经根据新的on=function再次更新了这个答案（2016年2月），以允许ad-hoc连接。 查看更早（过期）答案的历史logging。
setkey(DT, a, b)做什么的？
它有两件事情：
- 通过引用提供的列（ a ， b ）将data.table
DT的行重新sorting，总是以递增的顺序。 - 通过设置一个名为
sorted到DT的属性，将这些列标记为关键列。
重新sorting是快速的（由于data.table的内部基数sorting）和内存效率（只有一个额外的types双列分配）。
什么时候需要setkey() ？
对于分组操作， setkey()从来就不是绝对的要求。 也就是说，我们可以进行一场冷战或者近战 。
## "cold" by require(data.table) DT <- data.table(x=rep(1:5, each=2), y=1:10) DT[, mean(y), by=x] # no key is set, order of groups preserved in result
但是，在v1.9.6之前， x[i]forms的连接需要在x上设置key 。 使用v1.9.6 +中的新的on=参数 ，这是不正确的，因此设置键也不是一个绝对的要求。
## joins using < v1.9.6 setkey(X, a) # absolutely required setkey(Y, a) # not absolutely required as long as 'a' is the first column X[Y] ## joins using v1.9.6+ X[Y, on="a"] # or if the column names are x_a and y_a respectively X[Y, on=c("x_a" = "y_a")]
请注意， on=参数也可以显式指定，即使对于keyed连接也是如此。
唯一需要
key设置的操作是foverlaps（）函数。 但是我们正在研究一些更多的function，这些function在完成后将会消除这个需求
-
那么实现
on=argument的原因是什么？有很多原因。
-
它允许将操作清楚地区分为涉及两个data.tables的操作。 只是做
X[Y]不能区分这一点，虽然可以通过适当地命名variables来清楚。 -
它还允许通过查看该行代码（而不必回溯到相应的
setkey()行）来立即理解正在执行连接/子集的列。 -
在通过引用添加或更新列的操作中，
on=操作的性能要高得多，因为它不需要整个data.table被重新sorting以添加/更新列。 例如，## compare setkey(X, a, b) # why physically reorder X to just add/update a column? X[Y, col := i.val] ## to X[Y, col := i.val, on=c("a", "b")]在第二种情况下，我们不必重新sorting。 这不是计算耗费时间的顺序，而是在RAM中对data.table进行物理重新sorting，避免这种情况，我们保留原始顺序，同时也是高性能的。
-
除此之外，除非重复执行连接，否则键控连接和特殊连接之间应该没有明显的性能差异。
-
这导致了一个问题，键入一个data.table有什么好处呢？
-
键入data.table有没有优势？
键入一个data.table物理重新sorting它基于RAM中的列。 计算顺序通常不是耗时的部分，而是重新sorting 。 但是，一旦我们将数据分类到RAM中，属于同一组的行在RAM中都是连续的，因此非常高效。 这是加速键控data.tables操作的分类。
因此，重要的是要弄清楚重新sorting整个data.table花费的时间是否值得进行caching有效的join/聚合。 通常，除非在相同的键控 data.table上执行重复的分组/连接操作，否则不应该有明显的差异。
因此在大多数情况下，不需要再设置密钥。 我们build议
on=任何可能的地方使用on=，除非设置键在性能上有显着提高，您可以利用。
问题：如果使用setorder()重新sortingdata.table并使用on= ？，那么您认为性能如何与键控连接相比？ 如果你到目前为止，你应该能够弄清楚:-)。
关键是基本上是一个数据集的索引，它允许非常快速和高效的sorting，过滤和连接操作。 这些可能是使用数据表而不是数据框的最好理由（使用数据表的语法也更方便用户，但与键无关）。
如果你不懂索引，可以考虑一下：电话本是按名字“索引”的。 所以，如果我想查找某人的电话号码，这是非常简单的。 但是，假设我想通过电话号码search（例如，查询谁有一个特定的电话号码）？ 除非我能通过电话号码“重新索引”电话簿，否则需要很长时间。
考虑下面的例子：假设我有一张美国邮政编码（> 33,000）的邮政编码表和相关信息（城市，州，人口，收入中位数等）。 如果我想查找特定邮政编码的信息，那么如果我setkey(ZIP,zipcode) ，则search（过滤）速度将快1000倍。
另一个好处是与连接有关。 假设在数据表中有一个人的名单和他们的邮政编码（称之为“PPL”），我想从ZIP表（如城市，州等）追加信息。 下面的代码将做到这一点：
setkey(ZIP,zipcode) setkey(PPL,zipcode) full.info <- PPL[ZIP, nomatch=F]
这是一个“join”的意思，我join了从一个共同的领域（邮编）的2个表中的信息。 像这样在非常大的表格上joindataframe非常缓慢，数据表格速度非常快。 在一个真实的例子中，我必须在整个邮政编码表上做超过20,000个连接。 用数据表脚本花了大约20分钟。 跑步。 我甚至没有用dataframe来尝试它，因为它会花费2个星期以上。
恕我直言，你不应该只是阅读，但研究常见问题和介绍材料。 如果你有一个实际的问题来应用这个问题，那更容易掌握。
[回复@弗兰克的评论]
回复： sorting与索引 – 基于这个问题的答案，似乎setkey(...)确实重新排列表中的列（例如，物理sorting），并没有创build数据库中的索引感。 这有一些实际的含义：一方面，如果您使用setkey(...)在表中设置密钥，然后更改键列中的任何值，则data.table仅声明该表不再被sorting（通过closuressorted属性）; 它不会dynamic地重新索引以维护正确的sorting顺序（就像在数据库中发生的那样）。 此外，使用setky(DT,NULL) “删除密钥” 不会将表还原为原始未sorting的顺序。
Re： 过滤与连接 – 实际区别在于过滤从一个数据集中提取了一个子集，而连接根据一个公共字段合并了来自两个数据集的数据。 有许多不同种类的连接（内部，外部，左边）。 上面的例子是一个内部联接（只有两个表共有键的logging被返回），这与过滤有很多相似之处。
