data.table vs dplyr：一个人能做好事情，而另一个人做得不好吗？

Question

概述我比较熟悉data.table，没那么多dplyr..我读过一些dplyr小插曲一些例子出现了，到目前为止，我的结论是：data.table和dplyr在速度上具有可比性，除非有许多(即>10-100 K)组，而且在其他一些情况下(见下面的基准)dplyr具有更易访问的语法dplyr抽象(或将)潜在的DB交互有一些细微的功能差异(参见下面的“示例/使用”)在我的心目中，2.没有多大的负担，因为我对它相当熟悉data.table虽然我理解对于这两个新用户来说，这将是一个很大的因素。我想避免争论哪个更直观，因为这与我从一个已经熟悉的人的角度提出的具体问题无关。data.table..我还想避免讨论“更直观”如何导致更快的分析(当然是正确的，但也不是我最感兴趣的)。问题我想知道的是：对于熟悉包的人来说，是否有更容易用一个或另一个包进行编码的分析任务(例如，所需击键的一些组合与所需级别的暗喻，其中每一个都较少是一件好事)。是否有分析任务在一个包中比另一个包中执行得更有效(即超过2倍)。一最近的问题让我更多地思考这件事，因为在那之前我没有想到dplyr会提供超出我所能做的data.table..这是dplyr解决方案(Q结束时的数据)：dat %.%   group_by(name, job) %.%   filter(job != "Boss" | year == min(year)) %.%   mutate(cumu_job2 = cumsum(job2))比我的黑客攻击要好得多data.table解决办法。尽管如此，很好data.table解决方案也很好(谢谢Jean-Robert，Arun，注意，我喜欢单一的声明，而不是严格的最优解决方案)：setDT(dat)[,   .SD[job != "Boss" | year == min(year)][, cumjob := cumsum(job2)],    by=list(id, job)]后者的语法看起来非常深奥，但如果您习惯了，它实际上是非常简单的。data.table(即不使用一些更深奥的技巧)。理想情况下，我想看到的是一些好的例子dplyr或data.table方法实质上更简洁，或者表现得更好。实例使用dplyr不允许返回任意行数的分组操作(从埃德迪问题，注意：看起来它将在Dplyr 0.5同时，@初学者展示了一种潜在的解决办法-使用do在回答@Eddi的问题时)。data.table支座滚动连接(谢谢@dholstius)重叠联接data.table内部优化窗体的表达式。DT[col == value]或DT[col %in% values]为速度贯通自动标引用二进制搜索同时使用相同的基R语法。看这里更多的细节和一个小小的基准。dplyr提供功能的标准评估版本(例如：regroup, summarize_each_)，这可以简化dplyr(注：按方案使用data.table是绝对有可能的，只是需要一些仔细的思考，替换/引用，等等，至少据我所知)基准我跑了我自己的基准并发现这两个包在“拆分应用合并”风格分析中是可比较的，除非在有大量组(>100 K)的情况下。data.table变得更快。@Arun联接基准，表明data.table比例尺dplyr随着组数的增加(在包和最近版本的R中都更新了最近的增强)。同时，在尝试获取唯一价值有data.table~6倍快。(未经核实)data.table在更大版本的组/应用/排序时，速度提高了75%dplyr比小的快40%从评论中提出的另一个这样的问题，谢谢丹纳斯)。马特，主要作者data.table，有的基准分组操作data.table, dplyr巨蟒pandas最多20亿行(内存中~100 GB).阿80K组的旧基准有data.table~8倍快