R 是否可以使用data.table（更快和/或更整洁）完成SQL非equi联接任务（下面的示例）？

我有一个包含3列的数据表：pid（作业）、starttime（开始时间）和fintime（结束时间），如下所示：

require(data.table)

dt <- data.table(pid=sample(1:100,100), starttime = sample(1:100,100)/100)[,fintime:=starttime + round(runif(100)/4,2)] 

require（data.table）
dt所以这里是一个data.table方法，大约快20倍，但是有一些注意事项（在末尾描述）

额外的记录似乎是合法的，所以问题是：
sqldf（…）
为什么找不到它们？我不能回答这个问题

第三，这适用于您的示例，但可能不容易用“更多约束”进行扩展

最后，这里是一个“基准”，其数据集与您的实际数据更为相似：

set.seed(1)
n <- 1e4   # more realistic example
dt <- data.table(pid=sample(1:n,n), 
                 starttime = sample(1:n,n)/n)[,fintime:=starttime + round(runif(n)/4,2)]
system.time(res.sql <- f.sql(dt))
#    user  system elapsed 
#   45.25    0.53   45.80 
system.time(res.DT  <- f.DT(dt))
#    user  system elapsed 
#    2.09    0.86    2.94 

set.seed（1）
n您可以尝试向一个或两个表添加索引，并检查这是否加快了SQL查询的速度。@G.Grothendieck，谢谢您的建议。对于更大的数据（当sql运行大约需要20秒时，初始观测值为10K），我做了：
sqldf（“在dt（starttime，fintime）上创建索引idx）”
并且没有显示出改进。这是因为每次调用
sqldf时，它都会用新数据库覆盖数据库。有关信息，请参见主页上的示例。
system.time（res
starttime
仅作为表达式的一部分出现，因此它无法确定如何使用索引。
fintime
应该是第一个，或者重新排列表达式，使
starttime
单独位于左侧。我们不能确定这是否有帮助，但可能足以允许它使用索引。jihoward，有一个quick look。看起来很棒！在处理过程中发现了一个bug。修复并测试了它。同时处理警告。到时候将更新此答案。@jihoward，这真是太神奇了！非常感谢！
额外的记录似乎是合法的，所以问题是：为什么sqldf没有找到它们（…）？
我检查了几个不匹配项，它们都位于边界上-它们应该限定“=”必须是一些数字表示的东西。修复了该错误。应该很快在1.9.6上可用。对于
=
和
>
，您可以添加/减去
。机器$double.eps
开始/结束间隔，但它并不简单。我们将看看我们能做些什么。+1。
require(data.table)
set.seed(1)  # for reproducible example
n <- 100     # simple example
dt <- data.table(pid=sample(1:n,n), 
                 starttime = sample(1:n,n)/n,2)[,fintime:=starttime + round(runif(n)/4,2)]
# sqldf approach
require(sqldf)
f.sql <- function(dt) {
  sqldf("create index idx on dt(starttime,fintime)")
  res <- sqldf("select a.pid as first, b.pid as second , a.starttime as starttime,  b.fintime as fintime 
    from  dt a, dt b 
    where b.starttime >= a.fintime + 0.05
      and b.starttime <= a.fintime + 0.4
  ")  
}
res.sql <- f.sql(dt)

# data.table approach with foverlaps(...): need >= 1.9.4 for this!!
packageVersion("data.table")
# [1] ‘1.9.4’
f.DT <- function(dt) {
  lookup <- dt[,list(second=pid, fintime, a=starttime,b=starttime)]
  setkey(lookup,a,b)
  DT      <- dt[,list(first=pid, starttime, a=fintime+0.05,b=fintime+0.4)]
  J.olaps <- foverlaps(DT,lookup,type="any",nomatch=0) 
  J.olaps[,list(first,second,starttime,fintime)]
}
res.DT <- f.DT(dt)

indx  <- data.table(first=res.sql$first,second=res.sql$second,key=c("first","second"))
setkey(res.DT,first,second)
extra <-  res.DT[!indx,]

set.seed(1)
n <- 1e4   # more realistic example
dt <- data.table(pid=sample(1:n,n), 
                 starttime = sample(1:n,n)/n)[,fintime:=starttime + round(runif(n)/4,2)]
system.time(res.sql <- f.sql(dt))
#    user  system elapsed 
#   45.25    0.53   45.80 
system.time(res.DT  <- f.DT(dt))
#    user  system elapsed 
#    2.09    0.86    2.94