亲爱的 stackoverflow 社区,
我在一个特定的数据集上静坐了一段时间,该数据集相当庞大(nrow= ca. 5 亿)。经过一系列的数据操作,数据集基本上包括以下重要列:“ParticleId”、“flag”、“Volume”和“reduction”。
- ParticleId 是唯一的,表示一个穿越时空的运动粒子。
- 标志指示粒子是否在特定区域内(是/否)
- 每个 ParticleId 都有一个先验体积(注入(inject)时),如果粒子在该特定区域内部或外部,则该体积取决于时间
- 如果粒子在特定区域内,则先前的体积必须减少相应的减少值
我写了一个带有 2 个 if-else 子句的 for 循环来减少每一行的数量。该循环经过测试并且可以完美地用于测试目的,最多 20k 行的子集。不幸的是,当应用于孔数据集(500mio.rows)时,性能呈指数下降。我尝试应用多种矢量化方法,但似乎遗漏了一些东西。非常感谢您对这个特定问题进行矢量化的帮助和想法。
请在下面找到 for-loop 和 test-dataset:
dataset <- data.frame(1:20)
dataset$ParticleId <- c(1,1,1,1,2,2,2,2,2,3,3,4,4,4,4,4,4,4,4,4)
dataset$flag <- c(T,T,T,F,T,T,F,F,T,T,T,T,T,T,F,F,F,F,T,T)
dataset$Volume <- 0.01
dataset$reduction <- c(1.21e-03,1.21e-04,1.21e-03,1.21e-06,1.21e-03,1.21e-03,1.21e-04,1.21e-03,1.21e-06,1.21e-03,1.21e-03,1.21e-04,1.21e-03,1.21e-06,1.21e-03,1.21e-03,1.21e-04,1.21e-03,1.21e-06,1.21e-03)
for(i in 2:nrow(dataset)){
if(dataset[i,]$flag == TRUE & dataset[i,]$ParticleId == dataset[i-1,]$ParticleId){
dataset[i,]$Volume <- dataset[i-1,]$Volume - dataset[i-1,]$reduction
}else{
if(dataset[i,]$flag == FALSE & dataset[i,]$ParticleId == dataset[i-1,]$ParticleId){
dataset[i,]$Volume <- dataset[i-1,]$Volume
}else{
dataset[i,]$Volume <- dataset[i,]$Volume
}
}
}
如果需要,我可以提供更大的原始数据子集。测试数据集的创建只是提供了数据可能是什么样子的想法......
最佳答案
这会产生您想要的输出,并且应该比您使用 for
循环和 if .. else ..
语句的初始方法快很多:
library(dplyr)
dataset %>%
group_by(ParticleId) %>%
mutate(Volume = Volume[1L] - cumsum(lag(reduction, default = 0L)*flag))
#Source: local data frame [20 x 5]
#Groups: ParticleId
#
# X1.20 ParticleId flag Volume reduction
#1 1 1 TRUE 0.01000000 1.21e-03
#2 2 1 TRUE 0.00879000 1.21e-04
#3 3 1 TRUE 0.00866900 1.21e-03
#4 4 1 FALSE 0.00866900 1.21e-06
#5 5 2 TRUE 0.01000000 1.21e-03
#6 6 2 TRUE 0.00879000 1.21e-03
#7 7 2 FALSE 0.00879000 1.21e-04
#8 8 2 FALSE 0.00879000 1.21e-03
#9 9 2 TRUE 0.00758000 1.21e-06
#10 10 3 TRUE 0.01000000 1.21e-03
#11 11 3 TRUE 0.00879000 1.21e-03
#12 12 4 TRUE 0.01000000 1.21e-04
#13 13 4 TRUE 0.00987900 1.21e-03
#14 14 4 TRUE 0.00866900 1.21e-06
#15 15 4 FALSE 0.00866900 1.21e-03
#16 16 4 FALSE 0.00866900 1.21e-03
#17 17 4 FALSE 0.00866900 1.21e-04
#18 18 4 FALSE 0.00866900 1.21e-03
#19 19 4 TRUE 0.00745900 1.21e-06
#20 20 4 TRUE 0.00745779 1.21e-03
这是做什么的:
- 获取数据“数据集”
- 将数据按ParticleId分组(然后对每组进行以下操作)
mutate
用于修改/添加数据列。在本例中,我们修改现有列“Volume”。我们取每组中 Volume 的第一个元素 (Volume[1L]
),然后从该值中减去reduction*flag
的累积和。因为我们将reduction
与flag
相乘,这是一个逻辑列,所以只要flag
为TRUE
,reduction 就会乘以 1当flag
为FALSE
时,它会乘以 0。这意味着,如果flag
为FALSE
,我们从 Volume 列中减去 0(无)(即它保持原样)。此外,我们使用lag(Volume, default = 0)
因为我们想在每一行中减去前一个(滞后)中存在的reduction
值排。default = 0
确保,如果组中没有前一行,即我们在组的第一行上操作,则先前的减少值假定为 0 - 因此,我们不要从第一行的音量值中减去任何内容。- 如果您想知道为什么我在数字后使用 L(如
default = 0L
):它用于表示integer
- 使用较少内存的值因此可以帮助加快代码速度,因为您正在处理大量数据。
我在 data.table 中尝试使用相同的代码(可能会更快一点):
library(data.table)
setkey(setDT(dataset), ParticleId)[,
Volume:=Volume[1L]-cumsum(c(0L, head(reduction, -1L))*flag), ParticleId]
我认为在最新版本的 data.table (1.9.5) 中,您可以使用 shift
来创建滞后缩减。
该方法与此处的 dplyr 解决方案基本相同。但在开始之前,我们使用 setDT()
将 data.frame 转换为 data.table
对象并使用 setkey()
设置键.其余部分非常相似,除了 data.table 通过引用更新数据(使用 :=
时)而不是 lag(..., default = 0)
我们使用 c(0, head(reduction, -1))
.
关于r - 如何通过替换 "for-loop"和 "if-else"子句来提高大型数据集的性能,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/28025482/