如何根据R中另一列的条件过滤列

Question

我有一个包含数百万行和数十列的巨大数据表，因此性能对我来说是一个至关重要的问题。 该数据描述了对内容站点的访问。 我想计算每次访问的最早（即最小命中时间）命中的 ContentId。 我所做的是： dt[,.(FirstContentOfVisit=ContentID[ContentID != ""][which.min(HitTime)]), by=VisitId,.SDcols=c("ContentID","HitTime")]

问题是我不知道 which.min 是首先计算所有 HitTime 向量（我不想要！）的 min 还是仅在过滤后的 HitTime 向量（对应于非空的 ContentID）。

此外，在我计算之后 - 我怎样才能获得与第一个不同的 ContentID 的最小 HitTime（即非第一个内容 ID 的最早点击时间）。

当我尝试使用用户定义的函数执行这两个操作时（首先 - 对子数据表进行排序，然后提取所需的值）它花了很长时间（实际上从未停止过），尽管我有一台非常强大的机器（虚拟），有 180 GB内存。 所以我正在寻找内联解决方案。

Answer 1

dplyr使这更容易。 您没有分享数据样本，但我假设感兴趣的变量看起来像这样。

web <- tibble(
  HitTime = sample(seq(as.Date('2010/01/01'), as.Date('2017/02/23'), by="day"), 1000),
  ContentID = 1:1000,
  SessionID = sample(1:100, 1000, replace = TRUE)
)

然后，你可以只使用group_by和summarise发现的最早的值HitTime每个SessionID 。

web %>%
  group_by(SessionID) %>%
  summarise(HitTime = min(HitTime))