用更少的时间和更少的内存 reshape 交替的列

Question

如何才能更快地进行此 reshape 并占用更少的内存？我的目标是使用 4 Gb RAM reshape 500,000 行 x 500 列的数据帧。

这是一个可以生成一些可重现数据的函数:

make_example <- function(ndoc, ntop){
# doc numbers
V1 = seq(1:ndoc)
# filenames
V2 <- list("vector", size = ndoc)
for (i in 1:ndoc){
V2[i] <- paste(sample(c(rep(0:9,each=5),LETTERS,letters),5,replace=TRUE),collapse='')
}
# topic proportions
tvals <- data.frame(matrix(runif(1:(ndoc*ntop)), ncol = ntop))
# topic number
tnumvals <- data.frame(matrix(sample(1:ntop, size = ndoc*ntop, replace = TRUE), ncol = ntop))
# now make topic props and topic numbers alternating columns (rather slow!)
alternating <- data.frame(c(matrix(c(tnumvals, tvals), 2, byrow = T)) )
# make colnames for topic number and topic props
ntopx <- sapply(1:ntop, function(j) paste0("ntop_",j))
ptopx <- sapply(1:ntop, function(j) paste0("ptop_",j))
tops <- c(rbind(ntopx,ptopx)) 
# make data frame
dat <- data.frame(V1 = V1,
                 V2 =  unlist(V2), 
                 alternating)
names(dat) <- c("docnum", "filename", tops)
# give df as result
return(dat)
}

制作一些可重现的数据:

set.seed(007)
dat <- make_example(500000, 500)

这是我当前的方法(感谢 https://stackoverflow.com/a/8058714/1036500 ):

library(reshape2)
NTOPICS = (ncol(dat) - 2 )/2
nam <- c('num', 'text', paste(c('topic', 'proportion'), rep(1:NTOPICS, each = 2), sep = ""))

system.time( dat_l2 <- reshape(setNames(dat, nam), varying = 3:length(nam), direction = 'long', sep = ""))
system.time( dat.final2 <- dcast(dat_l2, dat_l2[,2] ~ dat_l2[,3], value.var = "proportion" ) )

一些时间，仅用于 reshape ，因为这是最慢的步骤:

make_example(5000,100) = 82 秒

make_example(50000,200) = 2855 秒(尝试第二步时崩溃)

make_example(500000,500) = 尚不可能...

还有哪些其他方法可以更快且占用更少的内存来进行此 reshape (data.table、this)？

Answer 1

我非常怀疑在传递 500000 x 500 数据帧时，用那么少量的 RAM 是否会成功。我想知道在有限的空间里你是否可以做哪怕是简单的 Action 。购买更多内存。此外，reshape2 很慢，所以使用 stats::reshape 来处理大的东西。并给出有关分隔符是什么的提示。

> set.seed(007)
> dat <- make_example(5, 3)
> dat
  docnum filename ntop_1     ptop_1 ntop_2    ptop_2 ntop_3    ptop_3
1      1    y8214      3 0.06564574      1 0.6799935      2 0.8470244
2      2    e6x39      2 0.62703876      1 0.2637199      3 0.4980761
3      3    34c19      3 0.49047504      3 0.1857143      3 0.7905856
4      4    1H0y6      2 0.97102441      3 0.1851432      2 0.8384639
5      5    P6zqy      3 0.36222085      3 0.3792967      3 0.4569039

> reshape(dat, direction="long", varying=3:8, sep="_")
    docnum filename time ntop       ptop id
1.1      1    y8214    1    3 0.06564574  1
2.1      2    e6x39    1    2 0.62703876  2
3.1      3    34c19    1    3 0.49047504  3
4.1      4    1H0y6    1    2 0.97102441  4
5.1      5    P6zqy    1    3 0.36222085  5
1.2      1    y8214    2    1 0.67999346  1
2.2      2    e6x39    2    1 0.26371993  2
3.2      3    34c19    2    3 0.18571426  3
4.2      4    1H0y6    2    3 0.18514322  4
5.2      5    P6zqy    2    3 0.37929675  5
1.3      1    y8214    3    2 0.84702439  1
2.3      2    e6x39    3    3 0.49807613  2
3.3      3    34c19    3    3 0.79058557  3
4.3      4    1H0y6    3    2 0.83846387  4
5.3      5    P6zqy    3    3 0.45690386  5

> system.time( dat <- make_example(5000,100) )
   user  system elapsed 
  2.925   0.131   3.043 
> system.time( dat2 <-  reshape(dat, direction="long", varying=3:202, sep="_"))
   user  system elapsed 
 16.766   8.608  25.272 

我想说，在这个过程中使用了 32 GB 内存总量的大约 1/5，这比您的目标小 250 倍，所以您的机器挂起我并不感到惊讶。 (它不应该“崩溃”。 R 的作者希望您提供行为的准确描述，并且我怀疑 R 进程在分页到虚拟内存中时停止响应。)我遇到了性能问题，需要使用 700 万条记录 x 100 列的数据集来解决使用 32 GB 时。