Come riscrivere un comando “sapply” per aumentare le prestazioni?

Question

Ho un data.frame denominato "d" del ~ 1.300.000 linee e 4 colonne ed un altro data.frame denominato "GC" di ~ 12.000 righe e 2 colonne (ma si veda l'esempio più piccolo in basso).

d <- data.frame( gene=rep(c("a","b","c"),4), val=rnorm(12), ind=c( rep(rep("i1",3),2), rep(rep("i2",3),2) ), exp=c( rep("e1",3), rep("e2",3), rep("e1",3), rep("e2",3) ) )
gc <- data.frame( gene=c("a","b","c"), chr=c("c1","c2","c3") )

Ecco come "d" si presenta come:

   gene         val ind exp
1     a  1.38711902  i1  e1
2     b -0.25578496  i1  e1
3     c  0.49331256  i1  e1
4     a -1.38015272  i1  e2
5     b  1.46779219  i1  e2
6     c -0.84946320  i1  e2
7     a  0.01188061  i2  e1
8     b -0.13225808  i2  e1
9     c  0.16508404  i2  e1
10    a  0.70949804  i2  e2
11    b -0.64950167  i2  e2
12    c  0.12472479  i2  e2

E qui è "gc":

  gene chr
1    a  c1
2    b  c2
3    c  c3

Voglio aggiungere un 5 ° colonna "d" incorporando i dati da "GC" quella partita con il 1 ° colonna "d". Per il momento sto utilizzando sapply .

d$chr <- sapply( 1:nrow(d), function(x) gc[ gc$gene==d[x,1], ]$chr )

Ma sui dati reali, ci vuole un "molto lungo" tempo (sto facendo funzionare il comando con "system.time ()", in quanto più di 30 minuti e non è ancora finito).

Avete qualche idea di come potrei riscrivere questo in un modo intelligente? O dovrei considerare l'utilizzo di plyr , magari con l'opzione "parallelo" (ho quattro core su Risorse del computer)? In tal caso una, quale sarebbe il migliore della sintassi?

Grazie in anticipo.

Answer 1

Penso che si può semplicemente utilizzare il fattore come indice:

gc[ d[,1], 2]
 [1] c1 c2 c3 c1 c2 c3 c1 c2 c3 c1 c2 c3
Levels: c1 c2 c3

fa la stessa cosa come:

 sapply( 1:nrow(d), function(x) gc[ gc$gene==d[x,1], ]$chr )
 [1] c1 c2 c3 c1 c2 c3 c1 c2 c3 c1 c2 c3
Levels: c1 c2 c3

Ma è molto più veloce:

> system.time(replicate(1000,sapply( 1:nrow(d), function(x) gc[ gc$gene==d[x,1], ]$chr )))
   user  system elapsed 
   5.03    0.00    5.02 
> 
> system.time(replicate(1000,gc[ d[,1], 2]))
   user  system elapsed 
   0.12    0.00    0.13 

---

Modifica:

Per espandere un po 'sul mio commento. Il dataframe gc richiede una riga per ogni livello di gene nell'ordine dei livelli di questo lavoro:

 d <- data.frame( gene=rep(c("a","b","c"),4), val=rnorm(12), ind=c( rep(rep("i1",3),2), rep(rep("i2",3),2) ), exp=c( rep("e1",3), rep("e2",3), rep("e1",3), rep("e2",3) ) )
gc <- data.frame( gene=c("c","a","b"), chr=c("c1","c2","c3") )

gc[ d[,1], 2]
 [1] c1 c2 c3 c1 c2 c3 c1 c2 c3 c1 c2 c3
Levels: c1 c2 c3

sapply( 1:nrow(d), function(x) gc[ gc$gene==d[x,1], ]$chr )
 [1] c2 c3 c1 c2 c3 c1 c2 c3 c1 c2 c3 c1
Levels: c1 c2 c3

Ma non è difficile da risolvere che:

levels(gc$gene) <- levels(d$gene) # Seems redundant as this is done right quite often automatically
gc <- gc[order(gc$gene),]


gc[ d[,1], 2]
 [1] c2 c3 c1 c2 c3 c1 c2 c3 c1 c2 c3 c1
Levels: c1 c2 c3

sapply( 1:nrow(d), function(x) gc[ gc$gene==d[x,1], ]$chr )
 [1] c2 c3 c1 c2 c3 c1 c2 c3 c1 c2 c3 c1
Levels: c1 c2 c3

Answer 2

Una soluzione alternativa che non ha battuto l'approccio di Sasha tempistica-saggio, ma è più generalizzabile e leggibile, è quello di merge semplicemente i due frame di dati:

d <- merge(d, gc)

Ho un sistema più lento, per cui qui sono i miei tempi:

> system.time(replicate(1000,sapply( 1:nrow(d), function(x) gc[ gc$gene==d[x,1], ]$chr )))
   user  system elapsed 
  11.22    0.12   11.86 
> system.time(replicate(1000,gc[ d[,1], 2])) 
   user  system elapsed 
   0.34    0.00    0.35 
> system.time(replicate(1000, merge(d, gc, by="gene"))) 
   user  system elapsed 
   3.35    0.02    3.40 

Il vantaggio è che si potrebbe avere più chiavi, un controllo preciso gli elementi non corrispondenti, ecc.