R:使用 data.table 进行制表和插入

Question

我正在尝试获取具有多个索引的非常大的一组记录，计算由索引子集确定的组的汇总统计数据，然后将其插入表中的每一行。这里的问题是这些是非常大的表——每个表超过 1000 万行。

再现数据的代码如下。

基本思想是有一组索引，比如 ix1, ix2, ix3, ..., ixK。通常，我只选择其中的几个，比如 ix1 和 ix2。然后，对于名为 val 的列，我计算具有匹配 ix1 和 ix2 值的所有行的聚合(针对出现的所有组合)。 .为简单起见，我将重点放在总和上。

我尝试了以下方法

通过稀疏矩阵:将值转换为坐标列表，即 (ix1, ix2, val)，然后创建一个 sparseMatrix - 这很好地总结了所有内容，然后我只需要从稀疏矩阵表示转换回坐标列表。速度:很好，但它做的比必要的多，并且不能推广到更高的维度(例如 ix1、ix2、ix3)或比总和更通用的函数。

使用 lapply和 split :通过创建一个对所有 (ix1, ix2, ...) n 元组都是唯一的新索引，我可以使用 split 和 apply。这里不好的是，唯一索引是由 split 转换的。成一个因素，而这种转换非常耗时。试试 system({zz <- as.factor(1:10^7)}) .

我现在正在尝试 data.table , 通过类似 sumDT <- DT[,sum(val),by = c("ix1","ix2")] 的命令.但是，我还不知道如何合并 sumDT与 DT , 除了通过类似 DT2 <- merge(DT, sumDT, by = c("ix1","ix2"))

是否有比通过 merge 更快地连接 data.table 的方法？我描述的操作？

【我也试过bigsplit来自 bigtabulate包，以及其他一些方法。任何转换为​​因子的东西都差不多 - 据我所知，转换过程非常缓慢。]

生成数据的代码。当然，最好尝试更小的N看到某些东西有效，但并非所有方法都适用于 N >> 1000。

N   <-  10^7
set.seed(2011)
ix1 <-  1 + floor(rexp(N, 0.01))
ix2 <-  1 + floor(rexp(N, 0.01))
ix3 <-  1 + floor(rexp(N, 0.01))
val <-  runif(N)

DF  <-  data.frame(ix1 = ix1, ix2 = ix2, ix3 = ix3, val = val)
DF  <- DF[order(DF[,1],DF[,2],DF[,3]),]
DT  <- as.data.table(DF)

Answer 1

好吧，您可能会发现，只要您的 key 进行合并并没有那么糟糕。 s 设置正确。

让我们再次设置问题:

N   <-  10^6      ## not 10^7 because RAM is tight right now
set.seed(2011)
ix1 <-  1 + floor(rexp(N, 0.01))
ix2 <-  1 + floor(rexp(N, 0.01))
ix3 <-  1 + floor(rexp(N, 0.01))
val <-  runif(N)
DT <- data.table(ix1=ix1, ix2=ix2, ix3=ix3, val=val, key=c("ix1", "ix2"))

现在您可以计算您的汇总统计数据

info <- DT[, list(summary=sum(val)), by=key(DT)]

并以“data.table 方式”合并列，或仅与 merge 合并

m1 <- DT[info]            ## the data.table way
m2 <- merge(DT, info)     ## if you're just used to merge
identical(m1, m2)
[1] TRUE

如果这些合并方式中的任何一种都太慢，您可以尝试一种棘手的方式来构建 info以内存为代价:

info2 <- DT[, list(summary=rep(sum(val), length(val))), by=key(DT)]
m3 <- transform(DT, summary=info2$summary)
identical(m1, m3)
[1] TRUE

现在让我们看看时间:

#######################################################################
## Using data.table[ ... ] or merge
system.time(info <- DT[, list(summary=sum(val)), by=key(DT)])
   user  system elapsed 
  0.203   0.024   0.232

system.time(DT[info])
   user  system elapsed 
  0.217   0.078   0.296

system.time(merge(DT, info))
   user  system elapsed 
  0.981   0.202   1.185

########################################################################
## Now the two parts of the last version done separately:
system.time(info2 <- DT[, list(summary=rep(sum(val), length(val))), by=key(DT)])
   user  system elapsed 
  0.574   0.040   0.616 

system.time(transform(DT, summary=info2$summary))
   user  system elapsed 
  0.173   0.093   0.267

或者你可以跳过中间 info如果以下内容对您的口味来说似乎不太高深，则可以构建表格:

system.time(m5 <- DT[ DT[, list(summary=sum(val)), by=key(DT)] ])
   user  system elapsed 
  0.424   0.101   0.525 

identical(m5, m1)
# [1] TRUE