如何优化R语言中按因子筛选data.table子集的语法？

一、正确的高效筛选方式 #

1. Base R的subset函数 #

直接用%in%配合逻辑非!，一次性排除所有指定因子：

tmpsmall9 <- subset(tmp, !variable %in% c('NIAGARA FALLS','ST. CATHARINES','WELLAND'))

2. Data.table原生语法（性能更优） #

作为data.table对象，用方括号直接筛选的效率更高：

tmpsmall9 <- tmp[!variable %in% c('NIAGARA FALLS','ST. CATHARINES','WELLAND')]

3. 更直观的%notin%语法 #

如果加载了data.table或dplyr包，可使用%notin%替代!x %in% y，代码可读性更强：

# 需先加载data.table或dplyr包
tmpsmall9 <- tmp[variable %notin% c('NIAGARA FALLS','ST. CATHARINES','WELLAND')]

二、第二种方法失效的原因 #

R的向量运算遵循循环补齐规则：当执行variable != c('NIAGARA FALLS','ST. CATHARINES','WELLAND')时，右侧长度为3的向量会被重复44次（132行÷3=44），再和左侧的variable逐行比较：

• 第1行和NIAGARA FALLS对比
• 第2行和ST. CATHARINES对比
• 第3行和WELLAND对比
• 第4行又回到和NIAGARA FALLS对比，以此循环

这种逐位置匹配的逻辑只会排除恰好位置对应的行，而非所有等于这三个值的行，所以才会出现部分目标行残留的情况。

三、关于逻辑运算符的说明 #

!=并非只能一次处理一个因子，它是逐元素比较的运算符，不适合判断“元素是否属于某一集合”。判断集合归属需要用%in%，它会检查每个元素是否存在于目标向量中，再配合!即可实现批量排除逻辑。

内容的提问来源于stack exchange，提问作者Jeff Boggs