概述我比較熟悉data.table，沒那么多dplyr..我讀過一些dplyr小插曲一些例子出現了，到目前為止，我的結論是：data.table和dplyr在速度上具有可比性，除非有許多(即>10-100 K)組，而且在其他一些情況下(見下面的基準)dplyr具有更易訪問的語法dplyr抽象(或將)潛在的DB交互有一些細微的功能差異(參見下面的“示例/使用”)在我的心目中，2.沒有多大的負擔，因為我對它相當熟悉data.table雖然我理解對于這兩個新用戶來說，這將是一個很大的因素。我想避免爭論哪個更直觀，因為這與我從一個已經熟悉的人的角度提出的具體問題無關。data.table..我還想避免討論“更直觀”如何導致更快的分析(當然是正確的，但也不是我最感興趣的)。問題我想知道的是：對于熟悉包的人來說，是否有更容易用一個或另一個包進行編碼的分析任務(例如，所需擊鍵的一些組合與所需級別的暗喻，其中每一個都較少是一件好事)。是否有分析任務在一個包中比另一個包中執行得更有效(即超過2倍)。一最近的問題讓我更多地思考這件事，因為在那之前我沒有想到dplyr會提供超出我所能做的data.table..這是dplyr解決方案(Q結束時的數據)：dat %.%   group_by(name, job) %.%   filter(job != "Boss" | year == min(year)) %.%   mutate(cumu_job2 = cumsum(job2))比我的黑客攻擊要好得多data.table解決辦法。盡管如此，很好data.table解決方案也很好(謝謝Jean-Robert，Arun，注意，我喜歡單一的聲明，而不是嚴格的最優解決方案)：setDT(dat)[,   .SD[job != "Boss" | year == min(year)][, cumjob := cumsum(job2)],    by=list(id, job)]后者的語法看起來非常深奧，但如果您習慣了，它實際上是非常簡單的。data.table(即不使用一些更深奧的技巧)。理想情況下，我想看到的是一些好的例子dplyr或data.table方法實質上更簡潔，或者表現得更好。實例使用dplyr不允許返回任意行數的分組操作(從埃德迪問題，注意：看起來它將在Dplyr 0.5同時，@初學者展示了一種潛在的解決辦法-使用do在回答@Eddi的問題時)。data.table支座滾動連接(謝謝@dholstius)重疊聯接data.table內部優化窗體的表達式。DT[col == value]或DT[col %in% values]為速度貫通自動標引用二進制搜索同時使用相同的基R語法?？催@里更多的細節和一個小小的基準。dplyr提供功能的標準評估版本(例如：regroup, summarize_each_)，這可以簡化dplyr(注：按方案使用data.table是絕對有可能的，只是需要一些仔細的思考，替換/引用，等等，至少據我所知)基準我跑了我自己的基準并發現這兩個包在“拆分應用合并”風格分析中是可比較的，除非在有大量組(>100 K)的情況下。data.table變得更快。@Arun聯接基準，表明data.table比例尺dplyr隨著組數的增加(在包和最近版本的R中都更新了最近的增強)。同時，在嘗試獲取唯一價值有data.table~6倍快。(未經核實)data.table在更大版本的組/應用/排序時，速度提高了75%dplyr比小的快40%從評論中提出的另一個這樣的問題，謝謝丹納斯)。馬特，主要作者data.table，有的基準分組操作data.table, dplyr巨蟒pandas最多20億行(內存中~100 GB).阿80K組的舊基準有data.table~8倍快