我必须执行以下递归逐行操作才能获得z :
myfun = function (xb, a, b) {
z = NULL
for (t in 1:length(xb)) {
if (t >= 2) { a[t] = b[t-1] + xb[t] }
z[t] = rnorm(1, mean = a[t])
b[t] = a[t] + z[t]
}
return(z)
}
set.seed(1)
n_smpl = 1e6
ni = 5
id = rep(1:n_smpl, each = ni)
smpl = data.table(id)
smpl[, time := 1:.N, by = id]
a_init = 1; b_init = 1
smpl[, ':=' (a = a_init, b = b_init)]
smpl[, xb := (1:.N)*id, by = id]
smpl[, z := myfun(xb, a, b), by = id]
我想得到这样的结果:
id time a b xb z
1: 1 1 1 1 1 0.3735462
2: 1 2 1 1 2 2.7470924
3: 1 3 1 1 3 8.4941848
4: 1 4 1 1 4 20.9883695
5: 1 5 1 1 5 46.9767390
---
496: 100 1 1 1 100 0.3735462
497: 100 2 1 1 200 200.7470924
498: 100 3 1 1 300 701.4941848
499: 100 4 1 1 400 1802.9883695
500: 100 5 1 1 500 4105.9767390
这确实有效，但需要时间:
system.time(smpl[, z := myfun(xb, a, b), by = id])
user system elapsed
33.646 0.994 34.473
考虑到我的实际数据的大小(超过 200 万次观察)，我需要让它更快。我猜
do.call(myfun, .SD), .SDcols = c('xb', 'a', 'b')与 by = .(id, time)会更快，避免 myfun 中的 for 循环.但是，我不确定如何更新 b及其滞后(可能使用 shift )当我在 data.table 中运行此逐行操作时.有什么建议么？
最佳答案
好问题!
从一个新的 R session 开始，显示 500 万行的演示数据，这是问题中的函数和我笔记本电脑上的时间。内联一些评论。
require(data.table) # v1.10.0
n_smpl = 1e6
ni = 5
id = rep(1:n_smpl, each = ni)
smpl = data.table(id)
smpl[, time := 1:.N, by = id]
a_init = 1; b_init = 1
smpl[, ':=' (a = a_init, b = b_init)]
smpl[, xb := (1:.N)*id, by = id]
myfun = function (xb, a, b) {
z = NULL
# initializes a new length-0 variable
for (t in 1:length(xb)) {
if (t >= 2) { a[t] = b[t-1] + xb[t] }
# if() on every iteration. t==1 could be done before loop
z[t] = rnorm(1, mean = a[t])
# z vector is grown by 1 item, each time
b[t] = a[t] + z[t]
# assigns to all of b vector when only really b[t-1] is
# needed on the next iteration
}
return(z)
}
set.seed(1); system.time(smpl[, z := myfun(xb, a, b), by = id][])
user system elapsed
19.216 0.004 19.212
smpl
id time a b xb z
1: 1 1 1 1 1 3.735462e-01
2: 1 2 1 1 2 3.557190e+00
3: 1 3 1 1 3 9.095107e+00
4: 1 4 1 1 4 2.462112e+01
5: 1 5 1 1 5 5.297647e+01
---
4999996: 1000000 1 1 1 1000000 1.618913e+00
4999997: 1000000 2 1 1 2000000 2.000000e+06
4999998: 1000000 3 1 1 3000000 7.000003e+06
4999999: 1000000 4 1 1 4000000 1.800001e+07
5000000: 1000000 5 1 1 5000000 4.100001e+07
所以 19.2s 是时候打败了。在所有这些时间里，我已经在本地运行了 3 次命令以确保它是一个稳定的时间。在这个任务中时间差异是微不足道的，所以我只报告一个时间来让答案更快地阅读。
处理
myfun() 中的上述内联评论:myfun2 = function (xb, a, b) {
z = numeric(length(xb))
# allocate size up front rather than growing
z[1] = rnorm(1, mean=a[1])
prevb = a[1]+z[1]
t = 2L
while(t<=length(xb)) {
at = prevb + xb[t]
z[t] = rnorm(1, mean=at)
prevb = at + z[t]
t = t+1L
}
return(z)
}
set.seed(1); system.time(smpl[, z2 := myfun2(xb, a, b), by = id][])
user system elapsed
13.212 0.036 13.245
smpl[,identical(z,z2)]
[1] TRUE
这相当不错(从 19.2 秒降至 13.2 秒)，但它仍然是
for在 R 级循环。乍一看，它不能被矢量化，因为 rnorm() call 取决于先前的值。实际上，它可能可以通过使用 m+sd*rnorm(mean=0,sd=1) == rnorm(mean=m, sd=sd) 的属性进行矢量化。并调用矢量化 rnorm(n=5e6)一次而不是 5e6 次。但可能会有 cumsum()参与与团体打交道。所以我们不要去那里，因为这可能会使代码更难阅读，并且会针对这个精确的问题。因此，让我们尝试 Rcpp，它看起来与您编写的样式非常相似，并且适用范围更广:
require(Rcpp) # v0.12.8
cppFunction(
'NumericVector myfun3(IntegerVector xb, NumericVector a, NumericVector b) {
NumericVector z = NumericVector(xb.length());
z[0] = R::rnorm(/*mean=*/ a[0], /*sd=*/ 1);
double prevb = a[0]+z[0];
int t = 1;
while (t<xb.length()) {
double at = prevb + xb[t];
z[t] = R::rnorm(at, 1);
prevb = at + z[t];
t++;
}
return z;
}')
set.seed(1); system.time(smpl[, z3 := myfun3(xb, a, b), by = id][])
user system elapsed
1.800 0.020 1.819
smpl[,identical(z,z3)]
[1] TRUE
好多了: 19.2s 降至 1.8s .但是每次调用该函数都会调用第一行(
NumericVector() )，它会根据组中的行数分配一个新向量。然后将其填写并返回，将其复制到该组正确位置的最后一列(由 := )，仅用于发布。所有这 100 万个小型临时向量(每组一个)的分配和管理都有些复杂。为什么我们不一口气完成整个专栏？您已经以 for 循环样式编写了它，这没有任何问题。让我们调整 C 函数以接受
id列并添加 if当它到达一个新的组时。cppFunction(
'NumericVector myfun4(IntegerVector id, IntegerVector xb, NumericVector a, NumericVector b) {
// ** id must be pre-grouped, such as via setkey(DT,id) **
NumericVector z = NumericVector(id.length());
int previd = id[0]-1; // initialize to anything different than id[0]
for (int i=0; i<id.length(); i++) {
double prevb;
if (id[i]!=previd) {
// first row of new group
z[i] = R::rnorm(a[i], 1);
prevb = a[i]+z[i];
previd = id[i];
} else {
// 2nd row of group onwards
double at = prevb + xb[i];
z[i] = R::rnorm(at, 1);
prevb = at + z[i];
}
}
return z;
}')
system.time(setkey(smpl,id)) # ensure grouped by id
user system elapsed
0.028 0.004 0.033
set.seed(1); system.time(smpl[, z4 := myfun4(id, xb, a, b)][])
user system elapsed
0.232 0.004 0.237
smpl[,identical(z,z4)]
[1] TRUE
这样更好: 19.2s 降至 0.27s .
关于r - 数据表 |组内更快的逐行递归更新，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/41886507/