R: tabulazioni e inserzioni con data.table
-
28-10-2019 - |
Domanda
Sto cercando di prendere una serie molto ampia di record con più indici, calcolare una statistica aggregata su gruppi determinati da un sottoinsieme degli indici e quindi inserirlo in ogni riga nella tabella. Il problema qui è che queste sono tavoli molto grandi: oltre 10 m di file ciascuna.
Il codice per la riproduzione dei dati è di seguito.
L'idea di base è che ci siano una serie di indici, diciamo IX1, IX2, IX3, ..., IXK. In generale, ne sto scegliendo solo un paio, dicono IX1 e IX2. Quindi, calcolo un'aggregazione di tutte le righe con valori corrispondenti IX1 e IX2 (su tutte le combinazioni che compaiono), per una colonna chiamata val
. Per mantenerlo semplice, mi concentrerò su una somma.
Ho provato i seguenti metodi
Tramite matrici sparse: converti i valori in un elenco di coordinate, IE (IX1, IX2, VAL), quindi crea una SparseMatrix - questo riassume tutto, e quindi ho bisogno di convertire solo la rappresentazione della matrice sparsa nell'elenco delle coordinate. Velocità: bene, ma sta facendo più del necessario e non si generalizza a dimensioni più elevate (ad es. IX1, IX2, IX3) o più funzioni generali di una somma.
Uso di
lapply
esplit
: Creando un nuovo indice unico per tutti (IX1, IX2, ...) N-tuple, posso quindi usare Split and Applicat. La cosa negativa qui è che l'indice unico è convertito dasplit
In un fattore e questa conversione richiede terribilmente tempo. Provaresystem({zz <- as.factor(1:10^7)})
.Ora sto provando
data.table
, tramite un comando comesumDT <- DT[,sum(val),by = c("ix1","ix2")]
. Tuttavia, non vedo ancora come posso uniresumDT
insieme aDT
, oltre a qualcosa di simileDT2 <- merge(DT, sumDT, by = c("ix1","ix2"))
Esiste un metodo più veloce per questo data. merge
operazione che ho descritto?
Ho anche provato bigsplit
dal bigtabulate
pacchetto e alcuni altri metodi. Tutto ciò che si converte in un fattore è praticamente fuori - per quanto posso dire, che il processo di conversione è molto lento.
Codice per generare dati. Naturalmente, è meglio provare un più piccolo N
vedere che qualcosa funziona, ma non tutti i metodi si ridimensionano molto bene per 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)
Soluzione
Bene, è possibile scoprire che fare l'iscrizione non è così male finché il tuo key
S sono impostati correttamente.
Imposta nuovamente il problema:
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"))
Ora puoi calcolare le tue statistiche di riepilogo
info <- DT[, list(summary=sum(val)), by=key(DT)]
E unisci le colonne "il modo di dati. merge
m1 <- DT[info] ## the data.table way
m2 <- merge(DT, info) ## if you're just used to merge
identical(m1, m2)
[1] TRUE
Se uno di questi modi di fondere è troppo lento, puoi provare un modo complicato per costruire info
A costo della memoria:
info2 <- DT[, list(summary=rep(sum(val), length(val))), by=key(DT)]
m3 <- transform(DT, summary=info2$summary)
identical(m1, m3)
[1] TRUE
Ora vediamo i tempi:
#######################################################################
## Using data.table[ ... ] or merge
system.time(info <- DT[, list(summary=sum(val)), by=key(DT)])
user system elapsed
0.203 0.024 0.232
system.time(DT[info])
user system elapsed
0.217 0.078 0.296
system.time(merge(DT, info))
user system elapsed
0.981 0.202 1.185
########################################################################
## Now the two parts of the last version done separately:
system.time(info2 <- DT[, list(summary=rep(sum(val), length(val))), by=key(DT)])
user system elapsed
0.574 0.040 0.616
system.time(transform(DT, summary=info2$summary))
user system elapsed
0.173 0.093 0.267
Oppure puoi saltare l'intermedio info
Costruzione di tabelle se i seguenti non sembrano troppo imperscrutabile per i tuoi gusti:
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