R语言data.table速查手册

最新推荐文章于 2024-01-24 09:24:08 发布
最新推荐文章于 2024-01-24 09:24:08 发布
阅读量346 收藏 1
点赞数
分类专栏： R

原文链接：http://blog.csdn.net/a358463121/article/details/51910062

介绍

R中的data.table包提供了一个data.frame的高级版本，让你的程序做数据整型的运算速度大大的增加。data.table已经在金融，基因工程学等领域大放光彩。他尤其适合那些需要处理大型数据集（比如 1GB 到100GB）需要在内存中处理数据的人。不过这个包的一些符号并不是很容易掌握，因为这些操作方式在R中比较少见。这也是这篇文章的目的，为了给大家提供一个速查的手册。

data.table的通用格式: DT[i, j, by]，对于数据集DT，选取子集行i,通过by分组计算j

1.生成一个data.table对象

生成一个data.table对象，记为DT.

> library(data.table)
> set.seed(45L)
> DT <- data.table(V1=c(1L,2L),
+ V2=LETTERS[1:3],
+ V3=round(rnorm(4),4),
+ V4=1:12)
> DT
V1 V2 V3 V4
1: 1 A -1.1727 1
2: 2 B -0.3825 2
3: 1 C -1.0604 3
4: 2 A 0.6651 4
5: 1 B -1.1727 5
6: 2 C -0.3825 6
7: 1 A -1.0604 7
8: 2 B 0.6651 8
9: 1 C -1.1727 9
10: 2 A -0.3825 10
11: 1 B -1.0604 11
12: 2 C 0.6651 12
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20

2.通过i来筛选数据集的行

通过数字来筛选数据集的行

选取第三行到第五行

> DT[3:5,] #or DT[3:5]
V1 V2 V3 V4
1: 1 C -1.0604 3
2: 2 A 0.6651 4
3: 1 B -1.1727 5
  • 1
  • 2
  • 3
  • 4
  • 5

基于使用快速自动索引条件，使用列名选择行i

在V2这一列，选择所有值为A的行

> DT[ V2 == "A"]
V1 V2 V3 V4
1: 1 A -1.1727 1
2: 2 A 0.6651 4
3: 1 A -1.0604 7
4: 2 A -0.3825 10
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

选择多个值:

选择在这一列中包含value1或value2的所有值

> DT[column %in% c("value1","value2")]
  • 1

选择V2这列中包含值A或C的所有行

> DT[ V2 %in% c("A","C")]
V1 V2      V3 V4
1:  1  A  0.3408  1
2:  2  A -0.7460  4
3:  1  A -0.3795  7
4:  2  A -0.7033 10
5:  1  C -0.3795  3
6:  2  C -0.7033  6
7:  1  C  0.3408  9
8:  2  C -0.7460 12
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10

3.通过j来操作列

通过j来选择一列

> DT[,V2]
[1]"A" "A" "A" "A" "B" "B" "B" "B" "C" "C" "C" "C"
  • 1
  • 2

注意到V2这一列是以向量的形式返回的

通过j来选择多列

> DT[,.(V2,V3)]
    V2      V3
 1:  A  0.3408
 2:  A -0.7460
 3:  A -0.3795
 4:  A -0.7033
 5:  B -0.7033
 6:  B  0.3408
 7:  B -0.7460
 8:  B -0.3795
 9:  C -0.3795
10:  C -0.7033
11:  C  0.3408
12:  C -0.7460
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14

V2与V3这两列以data.table的形式返回

.()为list()的一个别名。如果使用.(),返回的为一个data.table对象。如果不使用.()，结果为返回一个向量。

在j上调用函数

> DT[,sum(V1)]
[1] 18
  • 1
  • 2

以向量的形式返回V1列中所有元素的总和

在多列上进行计算

以data.table的形式，返回V1这列的所有元素之和与V3这列的标准差

> DT[,.(sum(V1),sd(V3))]
   V1        V2
1: 18 0.4546055
  • 1
  • 2
  • 3

指定计算列的列名

类似上例，但有一个新的列名

> DT[,.(Aggregate = sum(V1), Sd.V3 = sd(V3))]
   Aggregate     Sd.V3
1:        18 0.4546055
  • 1
  • 2
  • 3

若列的长度不一，则会循环对齐

选择V1这一列，并计算V3这列的标准差，将会得到一个标准差的值并循环补齐

> DT[,.(V1, Sd.V3 = sd(V3))]
 V1     Sd.V3
 1:  1 0.4546055
 2:  2 0.4546055
 3:  1 0.4546055
 4:  2 0.4546055
 5:  2 0.4546055
 6:  1 0.4546055
 7:  2 0.4546055
 8:  1 0.4546055
 9:  1 0.4546055
10:  2 0.4546055
11:  1 0.4546055
12:  2 0.4546055
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14

多个表达式可以包裹在花括号中

输出V2这一列并绘制V3这一列

> DT[,{print(V2)
plot(V3)
NULL}]
[1] "A" "A" "A" "A" "B" "B" "B" "B" "C" "C" "C" "C"
#And a plot
NULL
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

4.根据分组来操作j

根据分组来操作j

对V1中的每一类来计算V4列的和

> DT[,.(V4.Sum = sum(V4)),by=V1]
   V1 V4.Sum
1:  1     36
2:  2     42
  • 1
  • 2
  • 3
  • 4

通过使用.()控制多个列来操作j

与上例类似，但每一个分组包含V1和V2两列

> DT[,.(V4.Sum = sum(V4)),by=.(V1,V2)]
   V1 V2 V4.Sum
1:  1  A      8
2:  2  A     14
3:  2  B     10
4:  1  B     16
5:  1  C     12
6:  2  C     18
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8

在by中调用函数

以sign(V1-1)为分组，计算各个分组中V4列的和:

> DT[,.(V4.Sum = sum(V4)),by=sign(V1-1)]
   sign V4.Sum
1:    0     36
2:    1     42
  • 1
  • 2
  • 3
  • 4

通过指定i行子集的分组进行操作

在前5行数据集中，通过V1列的分组来计算V4列的总和:

> DT[1:5,.(V4.Sum = sum(V4)),by=V1]
   V1 V4.Sum
1:  1      8
2:  2     16
  • 1
  • 2
  • 3
  • 4

使用函数.N来得到每个类别的总观测数

在V1列中计算每个分组的观测数

> DT[,.N,by=V1]
   V1 N
1:  1 6
2:  2 6
  • 1
  • 2
  • 3
  • 4

5.使用:=引用来添加或更新一列

在一行中使用:=引用来添加或更新列.

注意: 额外的指定 (DT <- DT[…])是多余的 
使用:=来更新V1列:

> DT[, V1 := round(exp(V1),2)]
  • 1

这段代码没有显式的返回结果，而V1列从[1] 1 2 1 2 … 变成了 [1] 2.72 7.39 2.72 7.39 …

使用:=引用来添加或更新多列

使用:=更新V1列和V2列：

> DT[, c("V1","V2") := list(round(exp(V1),2), LETTERS[4:6])]
  • 1

同样没有显式的返回结果，V1列的结果与上相同，V2列从[1] “A” “B” “C” “A” “B” “C” … 变成: [1] “D” “E” “F” “D” “E” “F” …

使用函数:=

上例的另一种写法,但会在书写时更易并齐。而且,当添加[]时，结果会返回在屏幕中

> DT[, ':=' (V1 =round(exp(V1),2),V2 = LETTERS[4:6])][]
  • 1

与上例变化相同,但是由于在语句最后添加了[]，这一结果会返回至屏幕

通过使用:=来移除一列

移除V1列

> DT[, V1 := NULL]
  • 1

无显式的返回结果，但V1列变为NULL

通过使用:=来移除多列

移除V1列与V2列

> DT[, c("V1","V2") := NULL]
  • 1

无显式的返回结果，但V1列与V2列变为NULL

将一个包含列名的变量用小括号包裹起来，变量所传递的内容将会被删除 
注意：列名为Cols.chosen的列将会被删除，这里不是删除”V1”,”V2”列

> Cols.chosen = c("V1","V2")
> DT[, Cols.chosen := NULL]
  • 1
  • 2

无显式的返回结果，列名为Cols.chosen的列将会被删除

删除指定变量Cols.chosen包含的V1列和V2列

> DT[, (Cols.chosen) := NULL]
  • 1

无显式的返回结果，列名为V1和V2的列变为NULL##索引与键值

使用setkey()函数设置键值

setkey()函数可以在数据集DT上设置键值。当我们设置好key后，data.table会将数据按照key来排序。 
在V2列上设置一个键值

> setkey(DT,V2)
  • 1

无显示返回结果

使用键值来选择行

使用键值可以更加有效地选择行 
由于已将V2设置了键值，将会返回该列中所有包含变量值A的行

> DT["A"]
   V1 V2 V3 V4
1: 1 A -1.1727 1
2: 2 A 0.6651 4
3: 1 A -1.0604 7
4: 2 A -0.3825 10
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

返回键值所在列(V2列)包含变量值A或变量值C的所有行

> DT[c("A","C")]
   V1 V2      V3 V4
1:  1  A -0.8981  1
2:  2  A -0.1745  4
3:  1  A -0.5014  7
4:  2  A -0.3348 10
5:  1  C -0.5014  3
6:  2  C -0.3348  6
7:  1  C -0.8981  9
8:  2  C -0.1745 12
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10

mult参数

mult参数是用来控制i匹配到的哪一行的返回结果默认情况下会返回该分组的所有元素 
返回匹配到键值所在列(V2列)所有行中的第一行

> DT["A", mult ="first"]
   V1 V2 V3 V4
1: 1 A -1.1727 1
  • 1
  • 2
  • 3

返回匹配到键值所在列(V2列)所有行中的最后一行

> DT["A", mult = "last"]
   V1 V2 V3 V4
1: 2 A -0.3825 10
  • 1
  • 2
  • 3

nomatch参数

nomatch参数用于控制，当在i中没有到匹配数据的返回结果，默认为NA，也能设定为0。0意味着对于没有匹配到的行将不会返回。 
返回匹配到键值所在列(V2列)所有包含变量值A或D的所有行：

> DT[c("A","D")]
   V1 V2    V3 V4
1: 1 A -1.1727 1
2: 2 A 0.6651  4
3: 1 A -1.0604 7
4: 2 A -0.3825 10
5: NA D NA     NA
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7

变量值A匹配到了，而变量值D没有，故返回NA。 
返回匹配到键值所在列(V2列)所有包含值A或D的所有行：

> DT[c("A","D"), nomatch = 0]
   V1 V2    V3 V4
1: 1 A -1.1727 1
2: 2 A  0.6651 4
3: 1 A -1.0604 7
4: 2 A -0.3825 10
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

因为nomatch参数，值D没有匹配到故不返回。

by=.EACHI参数

by=.EACHI允许按每一个已知i的子集分组，在使用by=.EACHI时需要设置键值 
返回键值(V2列)中包含A或C的所有行中，V4列的总和。

> DT[c("A","C"),
sum(V4)]
[1] 52
  • 1
  • 2
  • 3

返回键值所在列(V2列)中包含A的行在V4列总和与包含C的行在V4列的总和。

> DT[c("A","C"),
sum(V4), by=.EACHI]
  V2 V1
1: A 22
2: C 30
  • 1
  • 2
  • 3
  • 4
  • 5

使用setkey()设置一个多列主键

任意列都能使用setkey()来设置主键，这种方式可以选择2个列作为一个主键。以下是一个等值连接V1列的每个组先根据V1排序，再根据V2排序。

> setkey(DT,V1,V2)
  • 1

无显式返回结果

选择键值1(V1列)为2且键值2(V2列)为C的行。

> DT[.(2,"C")]
  V1 V2     V3 V4
1: 2 C -0.3825 6
2: 2 C  0.6651 12
  • 1
  • 2
  • 3
  • 4

选择键值1(V1列)为2且键值2(V2列)为A或C的行

> DT[.(2,c("A","C"))]
   V1 V2   V3 V4
1: 2 A  0.6651 4
2: 2 A -0.3825 10
3: 2 C -0.3825 6
4: 2 C  0.6651 12
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

6.data.table高级操作

.N

.N可以用来表示行的数量或者最后一行

在i处使用：

> DT[.N-1]
   V1 V2      V3 V4
1:  1  B -0.5765 11
  • 1
  • 2
  • 3

返回每一列的倒数第二行 
在j处使用：

> DT[,.N-1]
[1] 11
  • 1
  • 2

返回倒数第二行所在的行数。

.()

.()是list()的一个别名，他们在data.table中是等价的。当只有一个元素的位置j或者by中，是不需要.()的。

在j中使用：

> DT[,.(V2,V3)] #or DT[,list(V2,V3)]
    V2      V3
 1:  A -0.8313
 2:  B  0.7615
 3:  C -0.5765
  • 1
  • 2
  • 3
  • 4
  • 5

在by中使用：

> DT[, mean(V3),by=.(V1,V2)]
   V1 V2       V1
1:  1  A -0.70390
2:  2  B  0.06755
3:  1  C -0.70390
4:  2  A  0.06755
5:  1  B -0.70390
6:  2  C  0.06755
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8

以V1，V2为分组，对V3求均值

.SD参数

.SD是一个data.table，他包含了各个分组，除了by中的变量的所有元素。.SD只能在位置j中使用：

> DT[, print(.SD), by=V2]
   V1      V3 V4
1:  1 -0.8313  1
2:  2 -0.6264  4
3:  1 -0.5765  7
4:  2  0.7615 10
   V1      V3 V4
1:  2  0.7615  2
2:  1 -0.8313  5
3:  2 -0.6264  8
4:  1 -0.5765 11
   V1      V3 V4
1:  1 -0.5765  3
2:  2  0.7615  6
3:  1 -0.8313  9
4:  2 -0.6264 12
Empty data.table (0 rows) of 1 col: V2
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17

以V2为分组，选择每组的第一和最后一列：

> DT[,.SD[c(1,.N)], by=V2]
   V2 V1      V3 V4
1:  A  1 -0.8313  1
2:  A  2  0.7615 10
3:  B  2  0.7615  2
4:  B  1 -0.5765 11
5:  C  1 -0.5765  3
6:  C  2 -0.6264 12
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8

以V2为分组，计算.SD中所有元素的和:

> DT[, lapply(.SD, sum), by=V2]
   V2 V1      V3 V4
1:  A  6 -1.2727 22
2:  B  6 -1.2727 26
3:  C  6 -1.2727 30
  • 1
  • 2
  • 3
  • 4
  • 5

.SDcols

.SDcols常于.SD用在一起，他可以指定.SD中所包含的列，也就是对.SD取子集：

> DT[, lapply(.SD,sum), by=V2,
+    .SDcols = c("V3","V4")]
   V2      V3 V4
1:  A -1.2727 22
2:  B -1.2727 26
3:  C -1.2727 30
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

.SDcols也可以是一个函数的返回值：

> DT[, lapply(.SD,sum), by=V2,
+    .SDcols = paste0("V",3:4)]
   V2      V3 V4
1:  A -1.2727 22
2:  B -1.2727 26
3:  C -1.2727 30
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

结果与上一个是相同的。

7.串联操作可以把表达式聚合在一起并避免多余的中间变量

把多个操作串联起来，这等价于SQL中的having

> DT<-DT[, .(V4.Sum = sum(V4)),by=V1]
> DT[V4.Sum > 35] #no chaining
V1 V4.Sum
1: 1 36
2: 2 42
  • 1
  • 2
  • 3
  • 4
  • 5

这个是不使用串联的方法，先以V1为分组，对V4求和，然后再把分组总和大于35的取出来。 
使用串联的方法：

> DT[, .(V4.Sum = sum(V4)),by=V1][V4.Sum > 35 ]
V1 V4.Sum
1: 1 36
2: 2 42
  • 1
  • 2
  • 3
  • 4

分组求和之后对V1进行排序：

> DT[, .(V4.Sum = sum(V4)),by=V1][order(-V1)]
V1 V4.Sum
1: 2 42
2: 1 36
  • 1
  • 2
  • 3
  • 4

8.使用set()家族

set()

set()通常用来更新给定的行和列的值，要注意的是，他不能跟by结合使用。

> rows = list(3:4,5:6)
> cols = 1:2
> for (i in seq_along(rows))
+ { 
+ set(DT,
+ i=rows[[i]],
+ j = cols[i],
+ value = NA) 
+}
> DT
    V1 V2      V3 V4
 1:  1  A -0.0559  1
 2:  2  B -0.4450  2
 3: NA  C  0.0697  3
 4: NA  A -0.1547  4
 5:  1 NA -0.0559  5
 6:  2 NA -0.4450  6
 7:  1  A  0.0697  7
 8:  2  B -0.1547  8
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19

以上程序把给定的一组行和列都设置为了NA

setname()

与set()同理，setname()可以修改给定的列名和行名，以下程序是

#把名字为"old"的列，设置为"new"
> setnames(DT,"old","new") 
#把"V2","V3"列，设置为"V2.rating","V3.DataCamp"
> setnames(DT,c("V2","V3"),c("V2.rating","V3.DataCamp"))
  • 1
  • 2
  • 3
  • 4

setcolorder()

setcolorder()可以用来修改列的顺序。

setcolorder(DT,c("V2","V1","V4","V3"))
  • 1

这段代码会使得列的顺序变成：

[1] "V2" "V1" "V4" "V3"
Python语法速查手册
AI天才研究院
07-30 1975
Python是一种高级编程语言，它的强大功能也使它成为数据科学、Web开发、游戏编程等领域的一流工具。但由于其高门槛，并非所有人都可以快速上手，因此，我整理了一些基础知识和Python语法，帮助大家快速熟悉Python编程。本文适合刚入门的初学者学习，希望通过阅读本文，能够掌握Python语法和相关用法，提升编程能力，加快自己的职业生涯。Python是一种解释型、面向对象、动态数据类型的高级编程语言。它具有简洁、易读、明确的代码风格，在代码量不大的情况下，Python通常被认为比其他语言更容易学习。
【R语言】必学包之data.table包
Neverland
03-28 2万+
      R语言具有较强的数据分析能力，但是对于数据处理，尤其是面对较大数据量时，就有很多的不足之处，为了解决处理较大数据集的问题，R中涌现了一系列数据处理的包，data.table包就是其中之一。data.table是对data.frame的扩展类型，因此适用于data.frame的函数也同样适用于data.table，不同的是data.table增加了索引设置，数据处理效率更高，能够快速地进...
data.table包基础学习教程
兆森博客
07-20 574
data.table包基础学习教程
data.table
weixin_30800987的博客
05-28 108
data.table: Extension of 'data.frame' 官网：https://cran.r-project.org/web/packages/data.table/ 参考手册：https://cran.r-project.org/web/packages/data.table/data.table.pdf 官网教程 使用 R语言data.table包是自带...
DataTable
weixin_33991418的博客
02-26 2362
在项目中经常用到DataTable,如果DataTable使用得当，不仅能使程序简洁实用，而且能够提高性能，达到事半功倍的效果，现对DataTable的使用技巧进行一下总结。 一、DataTable简介 (1)构造函数 DataTable() 不带参数初始化DataTable 类的新实例。 DataTable(string tableName) 用指定的表名初始化DataTable 类的新实例。 ...
tableau数据分析
mixiaolemy的博客
04-01 6610
目录 1. 简单总结下Tableau分析步骤 2. 连接数据，必须且基础 2.1 支持导入的数据类型丰富多样 2.1.1 Excel导入 2.1.2 CSV导入 2.1.3 txt导入 2.1.4 MySQL数据 2.1.5 直接复制数据 2.2 数据预处理 2.2.1 规整数据 2.2.2 数据格式设置 2.2.3 字段设置 2.3 数据联接 2.3.1 联接方式(how) 2.3....
【数据处理】R语言--data.table介绍以及例子
kicilove的小屋
07-25 4026
R—-data.table包介绍学习 相比dplyr包，data.table包能够更大程度地提高数据的处理速度，这里就简单介绍一下data.tale包的使用方法。 data.table：用于快速处理大数据集的哦 数据的读取 data.table包中数据读取的函数：fread() data.table的创建 library(data.table) DT = data.table(x=
【数据处理】R语言--data.table包使用总结
热门推荐
kicilove的小屋
07-25 4万+
首先下载安装data.table包 install.packages("data.table") library(data.table) 利用fread函数导入数据，在data.table包支持使用fread函数从本地或者web上导入数据，功能相当于base包的read.csv。 mydata = fread(“https://github.com/arunsrinivasan/sa
R命令速查手册
03-24
本速查手册详细介绍了R语言中常见命令的使用，包括安装、数据操作、绘图、统计分析等方面的知识。 首先，关于R的安装载入与帮助查询，我们可以通过install.packages()函数安装R包，使用library()函数载入已安装的包...
SQL速查手册
07-08
### SQL速查手册 #### 1. 创建数据库 创建数据库是管理数据库的基本操作之一。在SQL语言中，可以通过`CREATE DATABASE`命令来实现。例如： ```sql CREATE DATABASE database-name; ``` 这里的`database-name`...
R语言快速参考手册
05-06
R语言快速参考手册（英文） - R in a nutshell - a desktop quick reference
data.table整理
helloworld987456的博客
04-25 130
这个贴子蛮好的，有空自己也整理一份 知乎 data.table
data.table简介
littlely_ll的博客
04-11 980
data.table是一个十分有效的数据处理包，它是data.frame的一个扩展，能够快速的对数据进行分片，分组，聚合等操作，比data.frame快很多。在数据处理方面，据实验结果表明，对于2G的数据，tapply耗时16秒，而data.table耗时1.6秒，快了10倍，官方还介绍说，对于100G的数据，它还能运行很好。 下面介绍几个主要用到的函数：fread和read.table相似，但是
R语言学习笔记之——数据处理神器data.table
R语言中文社区
04-19 4684
作者简介Introduction杜雨，EasyCharts团队成员，R语言中文社区专栏作者，兴趣方向为：Excel商务图表，R语言数据可视化，地理信息数据可视化。个人公众...
【C#关键字】DataTable
最新发布
yu568736582的博客
01-24 1981
DataTable是一个临时保存数据的网络虚拟表，表示内存中数据的一个表，是一个二维表，也是一个后台数据源和前台显示之间的适配器。一、DataTable是什么？一、DataTable是什么？
data.table学习（1）
积一时之步，臻千里之遥程
01-23 423
data.table DT = data.table(x=c("b","b","b","a","a"),v=rnorm(5)) DT x v 1: b 0.65853652 2: b -0.57938061 3: b 0.08485302 4: a -1.67034138 5: a -0.10346345 或者可以直接将data.frame转换为data.table...
数据分析-Tableua6.04
SWZHENG97的博客
06-04 211
今日课程内容 内容回顾 作业讲解 Tableua的计算 case…when 字符串 日期 Tableua的参数 动态参考线 图表数据参数 日期参数 图表参数 电商案例讲解 数据加载 数据观察 数据处理 今日内容详细 内容回顾 1.构建图形 盒须图 树状图 气泡图 文字云 ... 2.Tableua的计算 聚合函数 sum、avg、max、min、count、countd、zn、abs if...else 四象限颜色设置的图
R语言 data.table 写入sqlite数据库
03-31
要将R语言的data.table写入SQLite数据库，需要使用RSQLite包。以下是一个简单的例子： 首先，我们需要安装和加载RSQLite包： ```R install.packages("RSQLite") library(RSQLite) ``` 然后，我们创建一个data....
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值